[发明专利]一种基于混合Transformer的多类型肺结节精准分割方法及模型在审
申请号: | 202211662984.0 | 申请日: | 2022-12-23 |
公开(公告)号: | CN115731387A | 公开(公告)日: | 2023-03-03 |
发明(设计)人: | 降爱莲;戴鸢;李啸天;李晓峰 | 申请(专利权)人: | 太原理工大学 |
主分类号: | G06V10/26 | 分类号: | G06V10/26;G06V20/70;G06V10/42;G06V10/44;G06V10/52;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/084 |
代理公司: | 太原高欣科创专利代理事务所(普通合伙) 14109 | 代理人: | 孟肖阳;冷锦超 |
地址: | 030024 *** | 国省代码: | 山西;14 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 混合 transformer 类型 结节 精准 分割 方法 模型 | ||
1.一种基于混合Transformer的多类型肺结节精准分割方法,其特征在于:包括如下步骤:
步骤S1:构建数据集:获取肺部CT影像,通过Dicom Viewer软件完成肺结节病灶区域的逐像素的标注工作,并对图像进行数据增强和数据增广;
构建肺结节分割模型,具体包括:
步骤S2:构建模型编码器中的卷积模块:根据图像分辨率和特征通道数间的关系,设计多尺度卷积模块(Module_Multi)和通道注意力卷积模块(Module_SE);
步骤S3:构建模型编码器中的Transformer模块(Attention_Pool):改进传统的Transformer结构,将池化操作和Transformer中的自注意力层结合;
步骤S4:在模型编码器中融合S2构建的卷积模块和S3构建的Transformer模块;
步骤S5:构建模型解码器中的上采样模块:对空洞卷积后的特征图进行分组和通道重排;
步骤S6:构建特征双向自适应融合模块:通过在模型编解码器中间添加可学习的卷积模块,控制特征信息的双向融合过程;
步骤S7:利用S1处理后的数据集对肺结节分割模型进行n折交叉训练,并用测试集输出肺结节分割图像,计算损失值;
步骤S8:根据损失值的大小以及训练阶段的性能表现调整模型参数,生成并保存训练好的肺结节分割模型,使用评价指标评估肺结节的分割效果。
2.根据权利要求1所述的一种基于混合Transformer的多类型肺结节精准分割方法,其特征在于:所述步骤S1具体包括如下步骤:
步骤S1-1:首先获取肺部CT影像数据并将私人信息去除,仅仅保留图像信息,然后通过Dicom Viewer软件对原图中的病灶区域进行逐像素标注,最后得到标签图;
步骤S1-2:使用随机亮度、随机噪声图像增强方法对原始图片进行预处理;
步骤S1-3:通过对图像进行旋转、裁减进行数据增广。
3.根据权利要求1所述的一种基于混合Transformer的多类型肺结节精准分割方法,其特征在于:所述步骤S2中构建模型编码器中的卷积模块的具体步骤如下:
步骤S2-1:构建多尺度卷积模块(Module_Multi):在编码器浅层构建多尺度卷积模块提取局部邻域及邻域外的信息,包括以下子步骤:
步骤S2-1-1:使用卷积核为1、3和5的三种卷积构成多尺度卷积单元,并在每个卷积后面使用批正则化和ReLU激活函数;
步骤S2-1-2:使用卷积核为3的卷积、批正则化和ReLU激活函数组成普通卷积单元;
步骤S2-1-3:使用一个多尺度卷积单元和两个普通卷积单元组成多尺度卷积模块;
步骤S2-2:构建通道注意力卷积模块(Module_SE):在编码器深层构建通道注意力卷积模块评判每个通道的重要程度,使各通道有效融合,包括以下子步骤:
步骤S2-2-1:使用一个全局平均池化、两个卷积核为1的卷积、一个ReLU激活函数、一个Sigmoid激活函数构成通道注意力单元;
步骤S2-2-2:使用卷积核为3的卷积、批正则化和ReLU激活函数组成普通卷积单元;
步骤S2-2-3:使用一个通道注意力单元和三个普通卷积单元组成通道注意力卷积模块。
4.根据权利要求3所述的一种基于混合Transformer的多类型肺结节精准分割方法,其特征在于:所述步骤S3中构建的模型编码器中的Transformer模块(Attention_Pool),是通过在Transformer的自注意力层中加入池化操作,并将池化结合到Transformer的特征提取过程中。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于太原理工大学,未经太原理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211662984.0/1.html,转载请声明来源钻瓜专利网。
- 基于Transformer+LSTM神经网络模型的商品销量预测方法及装置
- 一种基于Transformer模型自然场景文字识别方法
- 一种深度Transformer级联神经网络模型压缩算法
- 点云分割方法、系统、介质、计算机设备、终端及应用
- 基于Transformer的中文智能对话方法
- 一种基于改进Transformer模型的飞行器故障诊断方法和系统
- 一种基于Transformer模型的机器翻译模型优化方法
- 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
- 基于U-Transformer多层次特征重构的异常检测方法及系统
- 基于EfficientDet和Transformer的航空图像中的飞机检测方法