(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111663245.9 (22)申请日 2021.12.31 (71)申请人 福州大学 地址 362251 福建省泉州市晋 江市金井镇 水城路1号福州大 学晋江科教园 (72)发明人 黄立勤　庄炜杰　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 郭东亮　蔡学俊 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种针对 大脑病变融入注意力机制的MRI分 割方法 (57)摘要 本发明提出一种针对大脑病变融入注意力 机制的MRI分割方法， 包括以下步骤； 步骤S1、 收 集有分割图结果的大脑MRI图像， 建立训练集； 步 骤S2、 对训练集中待分割的原始大脑MRI图像进 行预处理； 步骤S3、 建立带有注意力机制的卷积 神经网络， 并以训练集对其模型进行训练； 步骤 S4、 当模型训练完成后， 使用训练好的模型参数 对验证集图像进行预测， 并且生成大脑MRI组织 与病变分割图； 步骤S5、 建立评估文件， 评估分割 结果； 本发明能抽取出更加关键及重要的信息， 同时借助迁移学习来提高在小数据集上进行训 练的训练效果。 权利要求书3页 说明书7页 附图4页 CN 114332462 A 2022.04.12 CN 114332462 A 1.一种针对大脑病变融入注意力机制的MRI分割方法， 其特 征在于： 包括以下步骤； 步骤S1、 收集有分割图结果的大脑MRI图像， 建立训练集； 步骤S2、 对训练集中待分割的原 始大脑MRI图像进行 预处理； 步骤S3、 建立带有注意力机制的卷积神经网络， 并以训练集对其模型进行训练； 步骤S4、 当模型训练完成后， 使用训练好的模型参数对验证集图像进行预测， 并且生成 大脑MRI组织与病变分割图； 步骤S5、 建立评估文件， 评估分割结果。 2.根据权利要求1所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 在步骤S1中， 使用包含大脑正常组织和病变组织的MRBR ains18数据集， 所述MRBRains18 数据集的MRI图像包含T1、 T2和Flair三种模态； 在步骤S1中， 对大脑MRI图像进行颅骨剥离 处理。 3.根据权利要求2所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 在步骤S2中以预处 理来优化组织与病变分割结果， 包括以下步骤； 步骤A1、 针对T1图像， 通过直方图均衡化处理， 来增加图像 中大脑组织尤其是灰质白质 的对比度； 步骤A2、 将3个连续切 片堆叠为RGB图像， 使3个切 片的每个2D 彩色图像形成类似3D表示 的MR体积的一部分； 步骤A3、 进行 数据增强， 其数据增强策略包括图像缩放和图像旋转。 4.根据权利要求2所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 所述步骤S 3中， 建立带有注意力机制的2D卷积神经网络， 所述注 意力机制结合空间注 意 力、 通道注意力并形成对应的模块， 其方法如下： 首先通过输入特征图F(H*W*C)， 计算出一个通道注意力模块， 其 中H为高度、 W为宽度、 C 为通道数； 接着， 分别传进一个两层 的神经网络MLP， 即多层感知器， 该多层感知器是共享 的； 然后按照通道 顺序乘以这个模块； 然后继续计算出 空间注意力模块， 继续按照宽高维度 乘以这个模块， 最后输出经过调整的特征图； 所述空间注意力模块与通道注意力模块经完 整训练后， 用于提取出不同例 子的白质病变特征以及位置， 优化不规则的白质病变的分割 结果。 5.根据权利要求4所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 所述步骤S3中， 建立带有注意力机制的2D卷积神经网络时， 首先进行通道注意力的处 理， 具体步骤为： 将输入的特征图F＝(H*W*C)分别 经过基于宽和高的全局最大池化与全局 平均池化， 得到两个1*1*C的特征图， 接着， 分别传进一个两层的神经网络(MLP)， 也就是多 层感知器； 所述多层感知器是共享的； 然后将多层感知器输出 的特征进行基于元素求和操 作， 再经过sigmoid函数激活操作， 生 成最终的通道注意力， 即Mc； 最后， 将 Mc和输入特征图F 做元素乘法操作， 生成空间注意力模块需要的输入特 征， 计算公式如下 其中， σ 代表sigmoid函数， 表示平均 池化特征， 表示最大池化特征， W1,W0代表着 两个多层感知器的权重， 输入进来多层感知器的 和 共享这两个权重， 以提高模型泛权　利　要　求　书 1/3 页 2 CN 114332462 A 2化能力； 然后将通道注意力模块输出的特征图F'作为空间注意力模块的输入特征图； 空间注意 力模块的相关步骤为： 首先做一个基于通道的全局最大池化与全局平均池化， 得到两个H* W*1的特征图， 然后将这两个特征图基于通道做拼接操作； 然后经过一个7 ×7卷积降维为1 个通道， 即H*W*1； 再经过sigmoid生成空间注意力， 即Ms； 最后将Ms和该模块的输入图做乘 法， 得到最终生成的特 征； 空间注意力计算公式如下： f7*7表示一个7×7卷积核的卷积运 算。 6.根据权利要求5所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 所述带有注 意力机制的2D卷积神经网络的基础基于U ‑net网络， 包括收缩路径和扩张路 径； 收缩路径即为下采样层， 用于获取上下文信息； 扩张路径即为上采样层， 用于精确的定 位， 且两条路径相互对称； 然后在上采样层和下采样层的跳跃 连接中加入注意力模块； 所述U‑net网络的第一层为归一化层， 用于对所使用的3种大脑MRI模态T 1、 T2、 FLAIR的 图像切片进 行通道维度归一化， 使这些分别反应不同组织与病变侧重点的模态 一起以240* 240的图像切片输入到网络中； 下采样阶段包括3个卷积层， 每一层结构均有2个卷积块， 卷积块的大小为3*3， 和1个下 采样层连接， 下采样层连接使用2x2的最大池化来减少空间维度， 其中， 每个卷积块均由2D 卷积网络和批归一化层构成， 每个卷积块均用于输出特征图。 每一次最大池化后特征图大 小就缩小一 倍。 7.根据权利要求6所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 所述U ‑net网络通过上采样阶段还原经过最大池化的特征图， 在上采样阶段， 即扩张路 径， 在上采样、 3x3卷积和连接 跳跃连接之间交替进行； 所述3x3卷积随后是ReLU激活； 所述空间注意力模块和通道注意力模块被添加到各编码器级与相应解码器级之间的 跳跃连接中； 每个注意力模块输出 的特征图与解码器阶段上采样后对应的特征图连接， 经 过跳跃连接与注意力机制进行加权拼接的输出， 利用对应的低电平特征和高电平特征的通 道间关系来使网络提取有用的高层信息， 提升对大脑组织与病变尤其是白质病变的区域感 知的完整度， 使分割能提供更精细的特征； 在最后一层， 使用1x1卷积将高维特征向量减少 到9类； 所述低电平特征为下采样最大池化后的低分辨率信 息； 所述高电平特征为上采样后的 高分辨率信息。 8.根据权利要求7所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 在步骤S3的训练阶段中， 当数据集为小 数据集时， 通过先下载已经在IMAGENET进行预训 练的权重， 来进行迁移学习， 把在超大数据集上训练得到的网络权重迁移到本步骤中的数 据上进行训练， 以节约大量的训练时间， 降低欠拟合/过拟合的风险。 9.根据权利要求8所述的一种针对大脑病变融入注意力机制的MRI分割方法， 其特征在 于： 模型训练选择批量大小为4， 训练设置50个周期后完成， 同时采用交叉熵损失LCE和骰子 损失Ld相结合的损失函数Ld， 优化器选择为随机梯度下降SGD， 初始学习率选择为0.001， 来 解决大脑MRI图像存在的类不平衡问题； LCE的公式为权　利　要　求　书 2/3 页 3 CN 114332462 A 3