[发明专利]一种上下文感知卷积神经网络的全脑三维解剖结构分割方法

权利要求书

1.一种上下文感知卷积神经网络的全脑三维解剖结构分割方法，其特征在于，步骤如下：

步骤S1，磁共振脑图像预处理：对磁共振脑图像做不均匀校正，随后对其进行颅骨剥离；

步骤S2，计算磁共振脑图像谱坐标：在待分割三维脑掩模上计算谱坐标，这里通过在三维脑掩模上计算其拉普拉斯-贝尔特拉米算子的特征函数获得，以此来补充在图像分割过程中因图像分块造成的空间上下文信息丢失；

步骤S3，对磁共振脑图像进行采样：对步骤S1中预处理后的磁共振脑图像进行采样，即通过完全采样方式记录图像中每个体素的以该体素为中心的图像块、笛卡尔坐标和步骤S2计算的谱坐标；

步骤S4，上下文感知卷积神经网络结构的搭建：上下文感知注意力卷积神经网络模型由采样模块、卷积模块、注意力模块、及全连接层模块组成；在上下文感知卷积神经网络模型中，最前端为采样模块，这个模块控制整个网络的由步骤S3采样所得数据的输入，包括卷积模块的图像块输入、以及通过串联拼接方式连接到第二个全连接层的笛卡尔坐标和谱坐标的输入；紧接着串联三个卷积核大小不同的卷积模块，提取图像块不同层次的特征；每一个卷积模块后均串联一个注意力模块，该模块通过对卷积模块输出特征进行加权来捕获全局信息，使网络能够关注对分类更加有用的特征而忽略无用特征；网络的末端是全连接层模块，该模块包含三个全连接层，其中最后一个全连接层为一个多任务的输出层，并使用Softmax激活函数进行分类；

步骤S5，模型的参数训练及分割测试：本发明采用分层次的磁共振脑图像分割策略，依次训练两个仅输出类别数不同的上述网络模型用于层次化磁共振脑图像分割；这里第一层级网络为一个二分类网络模型，该网络模型经过参数训练后进行分割测试，用于对磁共振脑图像进行精准的颅骨剥离，即准确分割出大脑；第二层级网络为一个多分类网络模型，经过参数训练后进行分割测试，用来分割第一步提取的大脑部分，分割得到大脑的各个脑结构。

2.根据权利要求1所述的上下文感知卷积神经网络的全脑三维解剖结构分割方法，其特征在于，所述步骤S3中对预处理后的磁共振图像进行完全采样，即将图像中待分割对象所有体素为中心的图像块及其笛卡尔坐标和谱坐标作为训练数据，通过完全采样充分利用有限的标注数据进行网络模型训练，以此提高网络的泛化能力。

3.根据权利要求1所述的上下文感知卷积神经网络的全脑三维解剖结构分割方法，其特征在于，所述步骤S4中上下文感知卷积神经网络的结构设计如下，在传统卷积神经网络结构的每一个卷积模块后串联一个注意力模块，增加的注意力模块捕获卷积块的上下文信息，将上下文信息融入到卷积提取的特征中，使网络能够关注对分类更加有用的特征而忽略无用特征，以此进一步提高网络的分类性能。

4.根据权利要求1所述的上下文感知卷积神经网络的全脑三维解剖结构分割方法，其特征在于，所述步骤S4中上下文感知卷积神经网络采用全新的双重注意力模块，即该注意力模块由通道注意力子模块和空间注意力子模块组成，并且通过卷积的方式来自动学习通道和空间注意力权重，并且输入的卷积特征分别经过通道和空间注意力加权后以并联方式通过1*1*1的卷积自适应地进行融合；其中通道注意力子模块采用一个与各通道输入卷积特征图的大小相等的卷积核通过卷积来自适应学习各通道的注意力权重，随后依次连接第一个全连接层、ReLU激活层、第二个全连接层(这里第一个全连接层节点的数量为通道数目的二分之一，第二个全连接层节点的数量与通道数目相等)，然后再通过sigmoid激活层得到最终的通道注意力权重，并将其用于对各通道输入卷积特征进行通道加权处理；另外空间注意力子模块采用一个卷积核个数与通道数目相等的1*1*1的卷积层来自适应学习各体素位置的空间注意力权重，随后连接一个sigmoid激活层得到最终的空间注意力权重，并将其用于对各通道输入卷积特征进行空间加权处理。