[发明专利]基于注意力卷积神经网络的CT图像分割系统

权利要求书

1.基于注意力卷积神经网络的CT图像分割系统，其特征在于，包括特征编码模块、语义信息提取注意力模块、特征融合池化注意力模块和特征图解码模块；其中，所述特征编码模块使用并联卷积神经网络来逐步减小输入图像的特征图大小，通过网络层复用以及各层特征的截取与融合，实现同时提取出图像的语义信息特征和空间信息特征；所述语义信息提取注意力模块使用池化生成注意力特征，将所述特征编码模块提取的语义信息特征进一步精练细化；所述特征融合池化注意力模块使用最大池化与平均池化并联，将经过所述语义信息提取注意力模块精细化的语义信息特征与经过所述特征编码模块拼接的语义信息和空间信息特征进行融合组成为注意力特征图；所述特征图解码模块使用卷积模块与上采样模块，将所述特征融合池化注意力模块融合的注意力特征图逐步精细还原为输入图像大小；所述特征编码模块包括顺序设置的第一卷积模块、第二卷积模块、第一至第四瓶颈通路和第一拼接操作模块，所述第一卷积模块包括顺序设置的卷积层和批正则化，所述第二卷积模块包括顺序设置的卷积层、批正则化和ReLu激活函数，所述第一至第四瓶颈通路并行设置，从所述第一瓶颈通路开始到第四瓶颈通路结束，每条瓶颈通路中的瓶颈层不断减少，而第二至第四瓶颈通路相比于第一瓶颈通路输出特征图的大小不断缩小，且每个瓶颈层最终输出的特征图通道数随着层数的增加而增加，所述第一拼接操作模块将四个瓶颈通路提取的语义信息特征和空间信息特征进行拼接。

2.根据权利要求1所述的基于注意力卷积神经网络的CT图像分割系统，其特征在于，所述卷积层的卷积核大小为3×3，步长为2。

3.根据权利要求1所述的基于注意力卷积神经网络的CT图像分割系统，其特征在于，所述第一至第四瓶颈通路中瓶颈层数分别为4、3、2、1，而第二至第四瓶颈通路相比于第一瓶颈通路输出的特征图大小分别为1/2、1/4、1/8，且第一至第四瓶颈通路中输出特征图的通道数分别为128、256、512和1024。

4.根据权利要求1所述的基于注意力卷积神经网络的CT图像分割系统，其特征在于，每个瓶颈层包括顺序设置的三个卷积单元、相加单元和ReLu激活函数单元，每个卷积单元包括顺序设置的卷积核、批正则化和ReLu激活函数，所述相加单元还与输入至第一个卷积单元的卷积核中的特征图跳跃连接。

5.根据权利要求1所述的基于注意力卷积神经网络的CT图像分割系统，其特征在于，所述语义信息提取注意力模块包括第一通道注意力模块、第二通道注意力模块、全局池化模块、乘操作模块以及第二拼接操作模块，所述第一通道注意力模块和第二通道注意力模块并列设置，每个所述通道注意力模块包括顺序设置的用于捕捉输入特征图中上下文语义特征信息的全局平均池化，用于计算语义信息权重的卷积，用于细化语义信息提取的批正则化和Sigmoid激活函数，以及用于将细化后的语义信息与输入特征图相乘的乘操作，所述乘操作模块用于将第二通道注意力模块输出的特征图与该特征图经全局池化模块处理后的输出特征图相乘，所述第二拼接操作模块用于将第一通道注意力模块输出的特征图与乘操作模块的输出特征图进行拼接，两个所述通道注意力模块的输入特征图通过对接特征编码模块提取的语义信息特征获得。

6.根据权利要求1所述的基于注意力卷积神经网络的CT图像分割系统，其特征在于，所述特征融合池化注意力模块包括第三卷积模块、平均池化通路、最大池化通路和双路池化乘操作模块，所述第三卷积模块用于对融合的语义信息特征和空间信息特征的混合信息特征进行提取并同时转换信息的通道，所述平均池化通路和最大池化通路并联设置分别用于对第三卷积模块提取的特征进行处理，所述双路池化乘操作模块用于对平均池化通路和最大池化通路处理后的两路特征相乘组成为注意力特征图。

7.根据权利要求6所述的基于注意力卷积神经网络的CT图像分割系统，其特征在于，所述平均池化通路使用两个串联的平均池化模块对特征进行处理作为特征提取第一通路，所述最大池化通路使用两个串联的最大池化模块对特征进行处理作为特征提取第二通路。