[发明专利]一种基于卷积神经网络的微出血病灶分割方法

权利要求书

1.一种基于卷积神经网络的微出血病灶分割方法，其特征在于，包括以下步骤：

步骤1：收集微出血图像，对其进行感兴趣区域的剪裁与归一化预处理，得到数据集中的病理图像；

步骤2：通过标注软件对步骤1获得的病理图像进行逐像素标注，得到数据集中的金标准图像；

步骤3：对步骤1、步骤2获得的数据集，建立U型特征提取网络，网络中嵌入组归一化层和融合双注意力模块；

步骤31：扩增后的图像被送入U型特征提取网络的编码器路径,编码器路径的四个子模块都在卷积层之间插入一个组归一化层，并在最后接最大池化，每经历一个子模块，输出的特征图尺寸减半，通道数翻倍，产生低分辨率的特征图；

步骤32：步骤31产生的低分辨率特征图被送入解码器路径， 解码器路径的后三个子模块均在上采样之后接一个融合双注意力模块，具体包括并行的通道注意力模块、空间注意力模块，以及最后的特征融合模块，同样的，解码器路径的子模块也在卷积层中插入一个组归一化层，每经历一个子模块，输出的特征图尺寸翻倍，通道数减半；

步骤33：将步骤31所述的编码器路径和步骤32所述的解码器路径通过跳跃连接结合，具体是将编码器提取到的特征和解码器提取到的特征拼接到一起，弥补因最大池化带来的空间信息损失；

步骤34：步骤32所述的特征图经上采样和1*1卷积后，通过sigmoid得到最终预测图；

步骤4：对步骤1、步骤2获得的数据集进行训练集、测试集的划分；

步骤5：对步骤4得到的训练集做数据扩增，即随机的垂直翻转、水平翻转、旋转、缩放、移位，扩增后的图像用于步骤3分割模型的训练，训练好的模型输出逐像素分类的预测图；

步骤6：将步骤4获得的测试集作为步骤5训练好的分割模型的输入，模型输出逐像素分类的预测图。

2.根据权利要求1所述的方法，其特征在于在步骤1中制作处理后的病理图像具体为：

步骤11：收集带有微出血异常的甲襞微循环图像，从中找到微出血病灶区域，选取其中心取图像邻域256*256的区域作为分割的感兴趣区域；

步骤12：将步骤11得到的图像中所有像素点的值归一化到[0,1]之间。

3.根据权利要求1所述的方法，其特征在于:步骤2中所述标注软件为labelme。

4.根据权利要求1所述的方法，其特征在于，步骤3中:分割模型基于U型特征提取网络，网络的左半部分为编码器路径，包含四个子模块； 每一个子模块都由3*3卷积、组归一化、3*3卷积、2*2最大池化构成；网络的右半部分为解码器路径，包括四个子模块，第一个子模块包含3*3卷积、组归一化、3*3卷积以及2*2的上采样，解码器路径的后三个子模块包含3*3卷积、组归一化、3*3卷积、融合双注意力模块、3*3卷积以及2*2的上采样。

5.根据权利要求4所述的方法，其特征在于步骤31中使用的组归一化层公式为：

其中N为批次大小,C为通道数目，S_i为组内系数，为floor操作，G为预定义的超参数，x为输入特征图，y为输出特征图。

6.根据权利要求4所述的方法，其特征在于，步骤32中，使用的通道注意力模块具体描述为：

M_C(X)＝σ(MLP(Avgpool(X))+MLP(Maxpool(X)))

其中，M_C(X)为中间特征图X的通道注意力权重，σ为激活函数sigmoid，MLP为多层神经网络，Avgpooling为平均池化，Maxpooling为最大池化。

7.根据权利要求4所述的方法，其特征在于，步骤32中，使用的空间注意力模块具体描述为：

M_S(X)＝σ(f^7*7([Avgpool(X)；Maxpool(X)]))

其中，M_S(X)为中间特征图X的空间注意力权重，f^7*7为卷积核大小为7*7的卷积操作。