[发明专利]基于全局和局部特征融合的UNet脑肿瘤图像分割算法

权利要求书

1.一种基于全局和局部特征融合的UNet脑肿瘤图像分割算法，其特征在于，包括以下步骤：

Step 1：数据预处理，将数据集根据需求改为网络可训练的大小；

Step 2：构造脑肿瘤分割网络模型的局部分支，引入门控轴向注意力模块代替UNet传统的连续卷积；

Step 3：构造脑肿瘤分割网络模型的全局分支，在UNet编码器中采用ResNet50网络结构，并且融合Transformer模块；

Step 4：将局部分支和全局分支预测结果图放入设计的自适应特征融合模块中进行图像融合，获取脑肿瘤图像分割结果。

2.根据权利要求1所述的一种基于全局和局部特征融合的UNet脑肿瘤图像分割算法，其特征在于，所述Step 1中的具体过程如下：

Step1.1因为BraTS2020数据集每个病例有四个模态，对应各个模态的图片大小为155×240×240，因为每个模态核磁共振图片的成像方式不同，从而图像的对比度也就有差异，采用Z-score方法分别标准化每个模态的图像(即图像减去均值除以标准差)解决对比度差异问题。在标准化之前，采用极值抑制，防止图片因为极大值或者极小值对整张图片产生较大影响。在极值抑制之后，对所有图片非背景区域求其均值和方差，作为每张图片的均值和方差。利用Z-score进行标准化处理：

利用Z-score标准化：

其中X是输入样本，μ为所有样本数据的均值，σ为所有样本数据的标准差，X^*为标准化后的输出样本；

Step1.2 背景在整幅图像中占的比例较大，并且背景区域也不是分割目标区域，因而对其进行剪裁，去除无效区域，剪裁后图片大小为155×160×160；

Step1.3 将四个模态对应通道进行拼接，保存后得到155个大小为4×160×160的特征图，4个通道是同一病人同一区域根据不同核磁共振产生的图像拼接而来。将拼接后的图片作为网络的输入；

Step1.4 将专家标注的病人标签进行处理作为网络的标签。专家标注的标签包括四种类型，分别称为增强型肿瘤（标记为4），肿瘤周围水肿（标记为2），非增强性肿瘤（标记为1）以及健康像素（标记为0），首先将该病人标签根据输入剪裁处理为160×160大小，将增强型肿瘤、肿瘤周围水肿和非增强性肿瘤置为1，其余为背景0。再将增强型肿瘤和非增强性肿瘤置为1，其余为背景0，最后将增强型肿瘤置为1，其余为背景0，通过以上操作得到三个大小为160×160的图片，再将它们三个在新维度进行拼接得到大小为3×160×160的图片，将得到的图片作为整个网络的标签。

3.根据权利要求1所述的一种基于全局和局部特征融合的UNet脑肿瘤图像分割算法，其特征在于，所述Step 2中的具体过程如下：

Step2.1使用门控轴向注意力模块改进的UNet网络构成脑肿瘤分割网络模型的局部分支：

Step2.1.1搭建脑肿瘤分割网络模型的局部分支；

Step2.1.2 构建的网络模型使用2次下采样和2次上采样，每次下采样过程会使用门控轴向注意力模块，门控轴向注意力模块首先将输入图像通过1*1的卷积核并进行归一化（BatchNorm,BN），然后引入门控轴向注意力机制，再经过1*1的卷积核并进行归一化（BatchNorm,BN），下采样使图片大小变为原来的1/2，上采样使图片大小变为原来的2倍，上采样为传统连续卷积，并使用一次跳跃连接；

Step2.1.3 改进的UNet局部分支与UNet编解码过程基本一致，不同的地方是将UNet的四次下采样上采样改为两次，下采样的连续卷积结构改为使用门控轴向注意力模块，浅层网络能够利用更多的细粒度特征信息，此时特征图每个像素点对应的感受野重叠区域较小,保证了网络能捕获更多脑肿瘤的细节信息。