CN114549538B 一种基于空间信息与特征通道的脑肿瘤医学图像分割方法 （杭州电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114549538B(45)授权公告日2025.07.11

(21)申请号202210172181.0

(22)申请日2022.02.24

(65)同一申请的已公布的文献号申请公布号CN114549538A

(43)申请公布日2022.05.27

GO6T5/50(2006.01)

GO6V10/764(2022.01)GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/048(2023.01)

GO6N3/084(2023.01)

(73)专利权人杭州电子科技大学

地址310018浙江省杭州市下沙高教园区2

号大街

(72)发明人陈滨张登峰魏丹邵艳利

王兴起

(56)对比文件

CN110675406A,2020.01.10CN112446891A,2021.03.05审查员顾明海

(74)专利代理机构杭州君度专利代理事务所

(特殊普通合伙)33240专利代理师杨舟涛

(51)Int.CI.

GO6T7/10(2017.01)权利要求书2页说明书5页附图3页

(54)发明名称

一种基于空间信息与特征通道的脑肿瘤医学图像分割方法

(57)摘要

CN114549538B本发明涉及一种基于空间信息与特征通道的脑肿瘤医学图像分割方法，本发明提出一种采用RepVGG和双注意力机制来改进U-Net网络。RepVGG通过支链结构和参数重构化方法使得在不增加参数的情况下保持良好的模块泛化性能，该模块可以解决复杂全卷积神经网络存在参数多，耗时长等缺点。注意力机制已经广泛应用于分割任务中，其具有自动关注目标并抑制输入图像中不相关的区域的特点，双注意力机制有效的提取和利用空间中的焦点信息和特征通道之间的相关信息，实现精确的小目标分割能力。本发明解决了复杂网络模型开销大以及小目标分割

CN114549538B

CN114549538B权利要求书1/2页

2

1.一种基于空间信息与特征通道的脑肿瘤医学图像分割方法，其特征在于包括如下步

骤：

步骤1:将三维的MRI数据集进行预处理；

步骤2:经过上述预处理步骤处理后的数据集作为模型训练数据集A;

步骤2-1:编码器部分将预处理完成的数据集A中图像x?先经过4次RepVGG卷积模块和下采样处理实现增加特征通道数量和缩小图片尺寸的目的，第5次仅经过1个RepVGG卷积模块进行处理，每一次处理得到具有不同图片尺寸和不同特征通道数的结果g;

步骤2-2:解码器部分将上述第5次的结果g?经过4次上采样和增加双注意力机制的VGG卷积模块进行处理，最后经过1×1卷积进行特征融合，得到每个像素属于目标分类的概率预测值；

步骤2-3:通过BCEDiceLoss函数对多区域进行预测结果和真实标签进行计算得到损失值，通过反向传播更新步骤2-1和2-2神经网络的参数；当BCEDiceLoss函数函数的数值趋于稳定后，得到最终的模型参数集合；

步骤3:将模型结构和参数重构减小参数量；

编码器中的RepVGG模块，通过重构的方式将1x1的支链卷积和恒等映射合并到3x3卷积堆栈中：首先将bn层和conv层转换成一个带有偏差向量的conv,将得到一个3x3卷积核，两个1x1卷积核，以及三个偏差值；再将两个1x1的卷积通过零填充的方式等价转换为3x3的卷积；利用公式将三个卷积核叠加为一个3x3的卷积并将三个偏差值相加；最终得到为仅有一个3x3卷积的VGG结构，具体如下：

(6)

bn(x*W,μ,σ,γ,β)=(x*W)+b’(7)

Conv(x,w?)+Conv(x,w?)+Conv(x,w?=Conv(x,W?+W?+w?)(8)

公式(6)和公式(7)中，μ,σ,γ,β分别表示平均值、标准偏差和学习的比例因子和偏差，x为输入的数据，W为bn层的权重，W’为bn和conv层转换后的卷积核的权重，b’为转换后的偏差，*为卷积操作；公式(8)中x为输入的数据，w?,W?,w?分别为三个卷积的权重参数，将三个卷积进行线性叠加最终得到为仅有一个3x3卷积的VGG结构，减小模型参数量，加快模型分割图像速度。