(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211365286.4 (22)申请日 2022.11.03 (71)申请人 长春理工大 学 地址 130022 吉林省长 春市卫星路7089号 (72)发明人 李奇　于潇洁　武岩　宋雨　高宁　 (74)专利代理 机构 长春众邦菁华知识产权代理 有限公司 2 2214 专利代理师 王丹阳 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) A61B 5/055(2006.01) A61B 5/00(2006.01) (54)发明名称 基于深度学习用于脑部磁共振图像处理的 模型构建方法 (57)摘要 基于深度学习用于脑部磁共振图像处理的 模型构建方法涉及脑部磁共振图像处理技术领 域， 解决了需求设计一种输出特征的分辨率高的 网络模型构建方法的问题， 该方法包括获取： 基 础数据集， 基础数据集包括关于脑部的结构性和 功能性磁共振 图像； 提取数据集的数据特征， 得 到用于训练的数据集， 所述用于训练的数据集包 括结构性磁共振图像的纹理特征、 功能性磁共振 图像的脑网络特征、 功能性磁共振图像的网络属 性特征； 构建添加协调注意力机制的框架； 获取 所述框架的目标算法， 采用所述目标算法能够自 校正数据； 采用所述用于训练的数据集对所述框 架进行训练， 得到组自校正协调注意网络模型。 本发明扩展了有效视场， 输出数据分辨率高、 特 征更明显。 权利要求书2页 说明书7页 附图2页 CN 115409743 A 2022.11.29 CN 115409743 A 1.基于深度学习用于脑部磁共 振图像处 理的模型构建方法， 其特 征在于， 包括： 获取基础数据集， 基础数据集包括关于脑部的结构性磁共振图像和关于脑部的功能性 磁共振图像； 提取数据集的数据特征， 得到用于训练的数据集， 所述用于训练的数据集包括结构性 磁共振图像的纹理特征、 功能性磁共振图像的脑网络特征、 功能性磁共振图像的网络属 性 特征； 构建添加协调注意力机制的框架； 获取所述框架的目标算法， 采用所述目标算法能够自校正数据； 采用所述用于训练的数据集对所述框架进行训练， 得到组自校正协调注意网络模型。 2.如权利要求1所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 所述基础数据集还 包括临床量表， 所述用于训练的数据集包括 量表的量 化值。 3.如权利要求1所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 获取所述框架的目标算法包括： 构建组自校正协调注意网络模型的框架， 获取框架 中的目标算法。 4.基于深度 学习用于脑部磁共振图像处理的模型构建方法4、 如权利要求1所述的基于 深度学习用于脑部磁共振图像处理的模型构建方法， 其特征在于， 所述框架包括第一卷积 层、 第一批归一化层、 第一激活层、 最大池化层、 第一残差单元、 第二残差单元、 第三残差单 元、 第四残差单 元、 第二激活层、 自适应池化层、 全连接层和归一 化指数函数层。 5.如权利要求4所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 所述第一残差单元、 第二残差单元、 第三残差单元、 第四残差单元均包括多个残差 块， 所述残差块包括第二卷积层、 组自校正卷积层、 第三卷积层。 6.如权利要求1所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 所述框架包括组自校正卷积层。 7.如权利要求1所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 所述目标算法包括如下步骤： 将输入到组自校正卷积层的数据X分为X1和X2两个部分； 所述组自校正卷积层包括四个 异构的滤波器K 1、 K2、 K3、 K4； 在数据X1中， 保留原始空间信息， 进行特征直接映射:  Y1=F1(X 1)， F1(X1)=X1*K1， F1表示 第一卷积 操作； 在数据X2中， 利用滤波器K2、 K3和K4对X2进行下采样得到 Y2； Y1串联Y2得到Y； 将Y进行协调注意力以达 到远距离上 下文信息交 互， 得到特 征提取后的数据 。 8.如权利要求7所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 所述利用滤波器K2、 K3和K4对X2进行下采样得到 Y2的具体过程 为： 将X2进行三维空间的平均池化操作： M2=AvgPool3d(X2)                        (1) 其中， AvgPo ol3d(·)表示三维平均池化， M2为X2进行平均池化操作后产生的数据； 基于K2滤波器对平均池化后的特 征M2进行特征映射:                              (2) F2表示为第二卷积 操作， 表示M2进行第二卷积 操作的结果；权　利　要　求　书 1/2 页 2 CN 115409743 A 2X2和 归一化后利用Sigmo id激活函数进行激活得到 ：                              (3)                             (4)                              (5) F3表示第三卷积操作， F4表示第四卷积操作， Y2表示 进行第四卷积操作的结果， S( ·) 表示Sigmo id激活函数。 9.如权利要求7所述的基于深度学习用于脑部磁共振图像处理的模型构建方法， 其特 征在于， 所述将Y进行协调注意力以达到远距离上下文信息交互， 得到特征提取后的数据 的具体过程 为： 将三维图像Y进行降维变换， 通过全局池化方法将三维图像从三个方向转化为一维特 征编码操作：                      (6) 其中， H、 W、 L分别为三维图像的高、 宽、 长， i表示任意高度， j表示任意宽度， l表示任意 长度， yc表示输入的特 征为Y 并对Y的第c个通道进行降维操作， zc表示第c个通道的输出； 通过(H,1,1),(1,W,1)和(1,1,L)  三个不同的池化核 按照不同维度进行 特征变换：                    (7) AdaptiveAvgPool3d( ·)表示三维自适应平均池化操作， 表示池化后的高度特征， 表示池化后的宽度特 征， 表示池化后的长度特 征； 将上述操作产生的 、 、 三个维度池化后的特征进行合并concat操作:   ， 并将合并后的数据M进行卷积:   ， 对于 依次采用 批归一化方法避免分布数据偏移， 进 行非线性激活， 将非线性激活后的特征进 行分离， 根据 图像的三个维度进行划分并分别进行卷积， 通过Sigmoid激活函数之后对整体特征进行重 赋值操作， 得到 ； 其中， cat( ·)表示合并拼接操作， Co nv3d(·)函数表示计算给定 输入的三维卷积。权　利　要　求　书 2/2 页 3 CN 115409743 A 3