CN116823853A - 基于改进UNet网络的冠状动脉钙化斑块图像分割*** - Google Patents
基于改进UNet网络的冠状动脉钙化斑块图像分割*** Download PDFInfo
- Publication number
- CN116823853A CN116823853A CN202310719250.XA CN202310719250A CN116823853A CN 116823853 A CN116823853 A CN 116823853A CN 202310719250 A CN202310719250 A CN 202310719250A CN 116823853 A CN116823853 A CN 116823853A
- Authority
- CN
- China
- Prior art keywords
- image
- coronary
- calcified plaque
- features
- system based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 2
- 241000532412 Vitex Species 0.000 claims description 2
- 235000001667 Vitex agnus castus Nutrition 0.000 claims description 2
- 229910052791 calcium Inorganic materials 0.000 claims description 2
- 239000011575 calcium Substances 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 34
- 238000011176 pooling Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 208000029078 coronary artery disease Diseases 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 208000026758 coronary atherosclerosis Diseases 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明属于医学图像检测技术领域，具体涉及基于改进UNet网络的冠状动脉钙化斑块图像分割***，包括：获取模块，其被配置为获取冠状动脉图像；计算模块，其被配置为提取所获取的冠状动脉图像的多尺度特征，计算所提取的多尺度特征的注意力机制，抑制浅层特征中的噪声，得到冠状动脉图像的特征矩阵；分割模块，其被配置为根据所得到的冠状动脉图像的特征矩阵和加权交叉熵损失函数，识别图像中的钙化斑块，完成冠状动脉钙化斑块图像的分割。本发明通过改进UNet网络，以实现对尺度较小的钙化斑块的分割；采用交叉熵损失函数的加权方式，以抑制分割目标过小所导致的前景类与背景类之间的不平衡问题。
Description
技术领域
本发明属于医学图像检测技术领域，具体涉及基于改进UNet网络的冠状动脉钙化斑块图像分割***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
冠心病已经成为了危害人类生命安全的主要原因之一。冠状动脉粥样硬化所导致的冠状动脉狭窄或阻塞是引发冠心病的主要原因。在冠心病的临床诊断中，通常使用冠脉钙化积分来评估冠状动脉的整体钙化情况，冠脉钙化积分也是反应冠状动脉粥样硬化程度的重要标准之一。而对钙化斑块的分割和检测是计算斑块钙化积分中最重要的一步，因此开发一个高效而准确的钙化斑块分割算法是迫切需要的。随着深度学习技术的相关发展，人工智能的相关技术广泛应用于医学图像检测当中，有效降低了医生的工作量，提升了诊断效率，对于智慧医疗的发展有着重要意义。
据发明人了解，现有的使用深度学习进行医学图像分割有着明显的缺陷，主要存在以下三方面的问题：
（1）当下一些方法分割的准确性低，分割准确性还有很大的提升空间；
（2）钙化斑块具有尺度小、形态和边界不规则的特性。对于过小目标的准确分割在深度学习中一直是一个比较困难的问题；
（3）在使用深度网络时，提取到更高级的语义特征的同时造成了更多的细节信息丢失。
发明内容
为了解决上述问题，本发明提出了一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，通过改进UNet网络（即LPE-UNet），以实现对尺度较小的钙化斑块的分割；采用交叉熵损失函数的加权方式（即基于图像中像素点与病灶间的像素距离来对损失函数加权），以抑制分割目标过小所导致的前景类与背景类之间的不平衡问题。
根据一些实施例，本发明的方案提供了一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，采用如下技术方案：
一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，包括：
获取模块，其被配置为获取冠状动脉图像；
计算模块，其被配置为提取所获取的冠状动脉图像的多尺度特征，计算所提取的多尺度特征的注意力机制，抑制浅层特征中的噪声，得到冠状动脉图像的特征矩阵；
分割模块，其被配置为根据所得到的冠状动脉图像的特征矩阵和加权交叉熵损失函数，识别图像中的钙化斑块，完成冠状动脉钙化斑块图像的分割。
作为进一步的技术限定，在所述获取模块中，所获取的冠状动脉图像为冠状动脉的CT图像。
作为进一步的技术限定，在所述计算模块中，采用多尺度特征子模块同时提取所获取的冠状动脉图像的多尺度特征；所述多尺度特征提取包括四个分支，分别为一个1×1的卷积核的分支和三个3×3的空洞卷积的分支，所述三个3×3的空洞卷积的分支的空洞率分别为1、2和3；将不同分支的特征图拼接起来，得到包含语义信息的多尺度特征。
作为进一步的技术限定，在所述计算模块中，所计算的注意力机制包括通道注意力和基于低秩的空间注意力。
进一步的，所述通道注意力为/>；其中，/>表示sigmoid函数，/>和/>均表示全连接层，/>表示所提取的冠状动脉图像得多尺度特征。
进一步的，所述基于低秩的空间注意力为/>；其中，表示不同位置间的关系映射函数，/>，/>，，/>都是尺寸为1/>1的卷积核，道数分别为/>，/>，/>,其中，/>和/>取值一样，且小于/>；/>表示荆通道注意力计算后的图像特征，且/>；/>表示softmax函数；/>表示正则化项。
进一步的，将所得到的通道注意力和基于低秩的空间注意力进行相加融合，采用sigmoid函数计算冠状动脉图像的特征矩阵。
作为进一步的技术限定，在抑制浅层特征中的噪声的过程中，通过构建基于空间注意力的门控机制实现对浅层特征的噪声抑制，提高所提取的特征的相关性。
作为进一步的技术限定，基于冠状动脉图像中像素点与病灶间的像素距离对交叉损失函数加权，抑制冠状动脉图像分割目标过小所导致的前景类与背景类之间的不平衡。
作为进一步的技术限定，所述加权交叉熵损失函数为；其中，/>表示二值交叉熵损失函数，/>表示权重分布，N为对权重矩阵/>进行求和。
与现有技术相比，本发明的有益效果为：
本发明通过改进UNet网络——LPE-UNet，实现了对尺度较小的钙化斑块的分割；对于网络结构，一方面在跳跃连接上构建了一个过滤门机制以抑制无关特征信息对分割结果干扰，另一方面通过构建一个依赖增强模块来解决传统网络中使用池化层扩大感受野与丢失特征之间的矛盾，为模型提供了捕获和融合多尺度信息的能力并对模型中的长期依赖和通道间的依赖关系进行建模；本发明提出了一个新的交叉熵损失函数的加权方式——基于图像中像素点与病灶间的像素距离来对损失函数加权，以抑制分割目标过小所导致的前景类与背景类之间的不平衡问题。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例中的基于改进UNet网络的冠状动脉钙化斑块图像分割***的结构框图；
图2为本发明实施例中的低秩感知增强模块的结构框图；
图3为本发明实施例中的噪声优化模块的结构框图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例
本发明实施例介绍了一种基于改进UNet网络的冠状动脉钙化斑块图像分割***。
如图1所示的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，包括：
解码器和编码器模块，用于提取输入序列的高级语义信息和将编码器输出的特征表示转化为输出序列；
低秩感知增强模块，由一个多尺度特征提取模块和一个基于注意力机制的特征过滤模块组成，用于对特征进行增强处理；
噪声优化模块，通过在跳层连接上构建了一个基于空间注意力的门控机制来抑制浅层特征中的噪声，从而提高所提取特征的相关性；
网络训练与预测模块，采用基于图像中像素点到病灶距离的加权交叉熵损失函数，使得网络训练更容易收敛。
作为一种或多种实施方式，解码器和编码器网络都采用VGG网络作为骨架网络，设置4个解码器和3个编码器，其中，每个解码器和编码器由一个block组成，每个block由两个33的卷积层和2/>2的池化层构成。
低秩感知增强模块由一个多尺度特征提取模块和一个基于注意力机制的特征过滤模块组成，对特征进行增强。在不同CT图像中，受医生习惯和仪器差异的影响，相同的器官和组织在尺寸和形态具有一定的差异性。因此在医学图像分割任务中，在不同大小感受野中提取语义信息可以有效地提高分割的准确性。由于计算量和模型训练难度会随着感受野的增大而增大，这限制了感受野的大小。为了在不显著增加计算量且不损失分辨率的同时增大感受野范围，获得不同感受野的语义信息，受inception模块的启发，本实施例使用一个多尺度特征模块同时提取多尺度特征。具体的，如图2所示，多尺度特征提取包括四个分支，包括1个1×1的卷积核的分支和三个3×3的空洞卷积的分支，空洞率分别为1，2，3。不同分支的特征图拼接起来，得到包含丰富的语义信息的多尺度特征。表示低秩感知增强模块的输出，计算过程如下：
其中，表示模型最后一个encoder的输出特征图输入的中间层特征图,conv(·)表示1×1的卷积层，/>表示的3×3的空洞卷积层，并且空洞率为。
注意力模块由通道注意力和基于低秩的空间注意力两个子模块组成，使模型只关注和任务相关的特征和区域。
特征图中的不同通道从多角度刻画了图像的特征，不同通道的特征对于医学图像分割任务的重要程度不同。不重要的特征会干扰重要特征的推断能力，因此让所有通道平等的参与模型推断是不合理的。
本实施例使用一个基于SE的通道注意力机制对不同通道间的关系进行建模，对每一的通道的特征学习一个权重，以抽取出更加重要和关键的特征信息。多尺度特征进入通道注意力模块后，首先进行全局池化后，变成C×1×1的特征图，然后通过两个连续的全连接层；第一个全连接层的输出通道小于输入通道C,第二个全连接的输出通道等于C,通过通道数目的减少和增加，引入了低秩属性。通道注意力/>的计算过程如下所示:
其中，是sigmoid函数，/>和/>是全连接层。
经过通道注意力后，特征变为：
不同位置上包含的语义信息是不同的，找出任务相关的区域。为了对不同位置的重要性进行建模，受非局部自注意力机制启发，本实施例在网络中添加了一个空间注意力机制模块，建立不同局部特征块之间的全局依赖关系，并且在非局部自注意力中引入低秩。由于病灶区域和背景区域包含不同的特征，且病灶边缘区域与内部区域具有不同的上下文，因此联合使用最大值池化和平均值池化可以帮助区分病灶区域和背景区域。本实施例构建了一个混合池化模块对图像进行下采样，包括三个分支，一个是用2×2的卷积，一个是平均池化，一个是最大值池化，最大值池化可以提取最显著的特征，平均池化可以提取平坦的背景信息，为了减少信息损失，添加2×2的卷积分支。经过三个分支后得到三组特征，这三组特征拼接起来得到/>。经过混合池化下采样模块后，不但在一定程度上提高了对病灶的分割准确性，而且特征图的尺寸变为原来的四分之一，降低了模型的计算复杂度。/>的计算公式如下：
其中，和/>分别表示平均池化层和最大池化层，conv表示卷积层。/>表示特征融合函数，这里采用拼接操作；用/>计算不同局部特征块之间的全局依赖关系。/>经过两个1×1卷积的分支，得到Q和K，将Q和K展开，得到C/>（H/>W）的张量，示不同位置间的关系映射函数/>的计算如下：
对重提取后的特征进行注意力机制计算，计算过程如下所示：
其中，，/>，/>都是尺寸为1/>1的卷积核，道数分别为/>，/>，/>,其中/>和/>取值一样，并且小于/>，使提取的特征具有低秩的特性，减少了冗余信息的干扰；是softmax函数；/>是正则化项，使得每一行的和为1。经过空间注意力模块后，对于输出特征图中的每一个像素位置，均由包含全局特征的值加权求和获得，从而建立起全局范围内的特征依赖关系。
高层特征具有精确定位的能力，但是缺少细节信息。为了补充连续下采样丢失的细节信息，传统基于Unet网络的方法通过跳层连接将编码器中的浅层细节信息传递给解码器网络。但是高分辨率的浅层特征图中包含许多无关特征，称这部分信息为噪声，直接将浅层特征和深层特征融合会引入这些噪声，从而损害网络的精确定位能力，从而降低分割的准确性。基于这样一个假设，各个通道中的特征图具有相似的可兼容的权重分布，本实施例通过计算空间注意力过滤浅层特征中的噪声信息。
在本实施例中，通过在跳层连接上构建了一个基于空间注意力的门控机制来抑制浅层特征中的噪声，从而提高所提取特征的相关性。为降低计算量，本实施例仅在网络的第二和第三层添加了该模块。如图3所示的噪声优化模块，包括两个分支，分别计算全局空间注意力和局部空间注意力图，然后融合两个分支的结果得到最终的注意力图。
具体的，首先使用一个通道信息聚合函数来计算二维空间位置的特征信息，将输入的通道聚合信息/>展开为一维数据，使用连续的两个全连接层来学习矩阵中每个位置的重要性程度，将学习到的权重/>恢复为二维矩阵。假定第i个encoder的输出特征，全局注意力/>的计算方式如下：
其中，为通道信息聚合函数，在本实施例中使用/>的卷积；/>与/>表示两个连续的全连接层。
考虑到不同通道之间特征的差异性，本实施例添加另一条路径作为对第一条路径的补充。在这条路径中，使用一个概率学习函数同时不同通道与位置间的重要性；这里的函数/>使用一个3x3的卷积层来实现；即/>
本实施例将两种注意力特征相加进行融合，使用sigmoid函数来计算全局的权重分布矩阵。为了避免权重过小而彻底丢失特征，因此对计算所得的概率图添加了一个阈值，在本实施例中取/>为0.01。使用残差连接，输出的特征矩阵/>为：
其中，是正则化项，使权重矩阵每一行的和都为1。
作为一种或多种实施方式，交叉熵损失函数更加注重于全局分割结果的分割质量，在类别不平衡的场景中使用交叉熵损失函数往往难以得到较好的结果。由于分割的真实目标就是最大化 Dice系数，Dice 损失函数对于正负样本严重不平衡的场景有着不错的性能，但是当batch较小且分割目标过小的时候，较小的预测错误就可能引起loss的值发生较大变动，导致损失曲线出现震荡现象，网络难以收敛。钙化斑块分割数据集过高的图像分辨率使得batch较小，而较小的病灶也使得难以对图像进行缩放操作。因此，本实施例并不适合直接使用Dice Loss损失函数对网络进行训练。
本实施例结合加权交叉熵损失函数和Dice Loss损失函数的优势，使用混合损失函数对网络进行训练。在训练时，首先使用迭代加权的交叉熵损失函数DWCELoss对网络进行多轮预训练，然后使用Dice Loss继续训练直到网络收敛。
本实施例采用基于图像中像素点到病灶距离的加权交叉熵损失函数。传统的二值交叉熵（Cross Entroy Loss，简写为CE Loss）损失函数公式如下式所示：
其中,表示当前像素点，y为label，x为预测值。在交叉熵损失函数的计算过程之中，每一个像素点对于最终的loss值的贡献是相同的。在本任务样本不均衡的情况下，模型优化方向会被大量的负类样本损失所主导，从而导致模型难以训练或收敛到非最优结果。为了解决这个问题，本实施例采用加权的方法。
为了便于展示计算过程，使用来表示权重矩阵，初始值设置为输入图像的标签值，即/>，一次迭代的过程如公式所示：
其中，为label，/>表示膨胀操作，每次迭代，标签向外膨胀一个像素，/>根据经验选取，表示膨胀后的标签矩阵的权重；t为计算过程的迭代次数。经过t次运算后，最终权重矩阵/>表现为以病灶为中心，权值向外逐渐递减的阶梯状矩阵。这样正例的作用提高，负类的作用削弱，类别不平衡现象得到缓解。由于得到的/>矩阵边缘负类权值为0，为了使得边缘负类也可以对网络的优化做贡献，对/>做以下变换：
其中，用来平衡/>与边缘负类间的关系，参数值的设置可根据ground truth中前景类的所占比例进行修改，本实施例中，/>设置为0.1。使用符号/>来表示即为重新加权后的加权交叉熵损失（DWCELoss），计算过程如公式所示：
其中，表示常规交叉熵损失函数计算结果，/>为权重分布，N为对权重矩阵/>进行求和。相对于忽略了大量背景元素的DiceLoss来说， DWCELoss兼顾到了每一个像素的值。因此在对网络进行训练时，顺序使用/>，/>，/>对网络进行预训练，最后使用DiceLoss训练网络，获得最终的收敛结果。整个训练过程可以理解为将网络关注的重心逐步向病灶区域集中的过程。
在评价指标展示中，本实施例采用mIoU（mean Intersection over Union）评价指标和F1_score评价指标。
mIoU（mean Intersection over Union）用来表示模型的预测结果与GroundTruth两个区域的重叠部分与集合部分的比值的均值；避免了在计算分割效果时候图像中背景像素的干扰，对分割结果的表示更加准确。可以表示为：
其中，真阳性(TP)为预测和真实值均为正常的结果；真阴性(TN)为预测和真实值均为异常的结果；假阳性(FP)为预测为正常，实际为异常的结果；假阴性(FN)为预测为异常，实际为正常的结果。
F1_score同时将与/>两个指标考虑在内。在对结果进行分析时，/>通常用来衡量分割结果是否产生了误判，而/>通常用来衡量结果是否有假阳性错误，即
该发明方法与4种先进的方法：UNet、DeepLab V3+、Unet++、nnUNet模型进行了对比，在使用相同图像数据集下进行了测试，如表1所示，本实施例中的mIoU、F1_score指标均为最高，在对比方法中排名第一，，证实了本实施例的有效性。
表1 对比试验结果汇总
本实施例通过改进UNet网络——LPE-UNet，实现了对尺度较小的钙化斑块的分割；对于网络结构，一方面在跳跃连接上构建了一个过滤门机制以抑制无关特征信息对分割结果干扰，另一方面通过构建一个依赖增强模块来解决传统网络中使用池化层扩大感受野与丢失特征之间的矛盾，为模型提供了捕获和融合多尺度信息的能力并对模型中的长期依赖和通道间的依赖关系进行建模；本发明提出了一个新的交叉熵损失函数的加权方式——基于图像中像素点与病灶间的像素距离来对损失函数加权，以抑制分割目标过小所导致的前景类与背景类之间的不平衡问题。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。
Claims (10)
1.一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，包括：
获取模块，其被配置为获取冠状动脉图像；
计算模块，其被配置为提取所获取的冠状动脉图像的多尺度特征，计算所提取的多尺度特征的注意力机制，抑制浅层特征中的噪声，得到冠状动脉图像的特征矩阵；
分割模块，其被配置为根据所得到的冠状动脉图像的特征矩阵和加权交叉熵损失函数，识别图像中的钙化斑块，完成冠状动脉钙化斑块图像的分割。
2.如权利要求1中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，在所述获取模块中，所获取的冠状动脉图像为冠状动脉的CT图像。
3.如权利要求1中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，在所述计算模块中，采用多尺度特征子模块同时提取所获取的冠状动脉图像的多尺度特征；所述多尺度特征提取包括四个分支，分别为一个1×1的卷积核的分支和三个3×3的空洞卷积的分支，所述三个3×3的空洞卷积的分支的空洞率分别为1、2和3；将不同分支的特征图拼接起来，得到包含语义信息的多尺度特征。
4.如权利要求1中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，在所述计算模块中，所计算的注意力机制包括通道注意力和基于低秩的空间注意力。
5.如权利要求4中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，所述通道注意力为/>；其中，/>表示sigmoid函数，/>和/>均表示全连接层，/>表示所提取的冠状动脉图像得多尺度特征。
6.如权利要求5中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，所述基于低秩的空间注意力为/>；其中，/>表示不同位置间的关系映射函数，/>，/>，/>，都是尺寸为1/>1的卷积核，道数分别为/>，/>，/>,其中，/>和/>取值一样，且小于/>；表示荆通道注意力计算后的图像特征，且/>；/>表示softmax函数；/>表示正则化项。
7.如权利要求6中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，将所得到的通道注意力和基于低秩的空间注意力进行相加融合，采用sigmoid函数计算冠状动脉图像的特征矩阵。
8.如权利要求1中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，在抑制浅层特征中的噪声的过程中，通过构建基于空间注意力的门控机制实现对浅层特征的噪声抑制，提高所提取的特征的相关性。
9.如权利要求1中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，基于冠状动脉图像中像素点与病灶间的像素距离对交叉损失函数加权，抑制冠状动脉图像分割目标过小所导致的前景类与背景类之间的不平衡。
10.如权利要求1中所述的一种基于改进UNet网络的冠状动脉钙化斑块图像分割***，其特征在于，所述加权交叉熵损失函数为/>；其中，/>表示二值交叉熵损失函数，/>表示权重分布，N为对权重矩阵/>进行求和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310719250.XA CN116823853A (zh) | 2023-06-16 | 2023-06-16 | 基于改进UNet网络的冠状动脉钙化斑块图像分割*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310719250.XA CN116823853A (zh) | 2023-06-16 | 2023-06-16 | 基于改进UNet网络的冠状动脉钙化斑块图像分割*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823853A true CN116823853A (zh) | 2023-09-29 |
Family
ID=88126856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310719250.XA Pending CN116823853A (zh) | 2023-06-16 | 2023-06-16 | 基于改进UNet网络的冠状动脉钙化斑块图像分割*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823853A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745746A (zh) * | 2024-02-19 | 2024-03-22 | 中国人民解放军总医院第四医学中心 | 一种基于可变形nnUNet的图像分割方法和装置 |
-
2023
- 2023-06-16 CN CN202310719250.XA patent/CN116823853A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745746A (zh) * | 2024-02-19 | 2024-03-22 | 中国人民解放军总医院第四医学中心 | 一种基于可变形nnUNet的图像分割方法和装置 |
| CN117745746B (zh) * | 2024-02-19 | 2024-05-31 | 中国人民解放军总医院第四医学中心 | 一种基于可变形nnUNet的图像分割方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199550B (zh) | 图像分割网络的训练方法、分割方法、装置和存储介质 | |
| CN114612479A (zh) | 一种基于全局与局部特征重建网络的医学图像分割方法 | |
| CN110288555B (zh) | 一种基于改进的胶囊网络的低照度增强方法 | |
| Araújo et al. | A deep learning design for improving topology coherence in blood vessel segmentation | |
| CN113554665A (zh) | 一种血管分割方法及装置 | |
| CN111260653A (zh) | 一种图像分割方法、装置、存储介质和电子设备 | |
| CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
| Lu et al. | Rtn: Reinforced transformer network for coronary ct angiography vessel-level image quality assessment | |
| Liu et al. | FCP-Net: A feature-compression-pyramid network guided by game-theoretic interactions for medical image segmentation | |
| CN111814768B (zh) | 基于ai复合模型的图像识别方法、装置、介质和设备 | |
| Ninh et al. | Skin lesion segmentation based on modification of SegNet neural networks | |
| CN116823853A (zh) | 基于改进UNet网络的冠状动脉钙化斑块图像分割*** | |
| Yang et al. | RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation | |
| Cui et al. | Supervised machine learning for coronary artery lumen segmentation in intravascular ultrasound images | |
| Zhou et al. | A superior image inpainting scheme using Transformer-based self-supervised attention GAN model | |
| CN113657392B (zh) | 基于低秩混合注意力机制的小目标语义分割方法及*** | |
| Basiri et al. | Domain-specific deep learning feature extractor for diabetic foot ulcer detection | |
| Ruan et al. | An efficient tongue segmentation model based on u-net framework | |
| Lin et al. | Dyspn: Learning dynamic affinity for image-guided depth completion | |
| Iqbal et al. | LDMRes-Net: Enabling real-time disease monitoring through efficient image segmentation | |
| Vishal et al. | Unsupervised desmoking of laparoscopy images using multi-scale DesmokeNet | |
| CN117474930A (zh) | 关于ct图像左心房和左心耳组织的联合分割方法和*** | |
| CN115587967B (zh) | 一种基于HA-UNet网络的眼底图像视盘检测方法 | |
| CN116188501A (zh) | 基于多尺度交叉注意力的医学图像分割方法 | |
| CN116664904A (zh) | 一种基于自监督学习的新冠感染医学图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |