(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 202210990335.7 (22)申请日 2022.08.18 (71)申请人 重庆理工大 学 地址 401135 重庆市渝北区龙兴镇普福大 道459号 (72)发明人 黄同愿　刘瑶　 (74)专利代理 机构 重庆智诚达 邦专利代理事务 所(普通合伙) 50289 专利代理师 龚世妍 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/74(2022.01) G06V 10/30(2022.01)G06V 10/26(2022.01) G06T 7/11(2017.01) G06T 7/00(2017.01) (54)发明名称 基于注意力机制和多尺度特征融合的改进 U-Net脑肿瘤分割方法 (57)摘要 本发明公开了一种基于注意力机制和多尺 度特征融合的改进U ‑Net脑肿瘤分割法， 属于语 义分割领域， 包括以下步骤： S1、 数据获取与数据 预处理； S2、 构建基于注意力机制和多尺度特征 融合的改进U ‑Net脑肿瘤分割模型； S3、 构建混合 损失函数并对改进U ‑Net脑肿瘤分割模型进行训 练， 保存最优模型； S4、 使用最优模型进行预测， 保存预测结果， 进行在线验证， 获取评价指标， 最 后进行结果对比； 在U ‑Net模型基础上加入残差 模块、 使用 深度过参数化卷积更换普通卷积、 加 入多尺度特征融合模块及注意力机制模块后， 采 用Dice相似度系数定量评估分割效果， 实验结果 表明： 改进的U ‑Net网络能够有效地提高MRI脑肿 瘤图像的分割精度， 具有良好的分割性能。 权利要求书2页 说明书7页 附图3页 CN 115424103 A 2022.12.02 CN 115424103 A 1.基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割法， 其特征在于， 包括以 下步骤： S1、 数据获取与数据预处 理； S2、 构建基于注意力机制和多尺度特 征融合的改进 U‑Net脑肿瘤分割模型； S3、 构建混合损失函数并对改进 U‑Net脑肿瘤分割模型进行训练， 保存最优 模型； S4、 使用最优模型进行预测， 保存预测结果， 进行在线验证， 获取评价指标， 最后进行结 果对比。 2.根据权利要求1所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述步骤S1中实验数据集采用国际医学图像计算和计算机辅助干预协会 提供的脑胶质瘤公共数据集BraTS2018， 其中标记数据分为肿 瘤增强区域、 水肿区域、 坏死 区域和背； 对脑肿瘤数据进行 预处理， 去除多模态MRI脑肿瘤图像数据的噪音信号。 3.根据权利要求1所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述 步骤S2中在U ‑Net网络结构的基础上进行改进， 具体为： S21、 采用残差单 元代替原 始U‑Net中的普通单 元； S22、 在跳跃连接 中加入多尺度特征融合机制， 再将得到的结果与经过上采样的高级特 征进行co ncat； S23、 在U‑Net结构的解码阶段中加入注意力机制。 4.根据权利要求3所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述步骤S21中采用残差单元代替原始U ‑Net中的普通单元就是在普通卷 积模块中的每个卷积层之前加入批量归一化层， 同时将ReLU激活函数替换为PReLU激活函 数， 然后加入快捷连接， 防止梯度消失， 且在U ‑Net模型的解码阶段多添加 了一个1×1卷积 来保持维度一 致。 5.根据权利要求3所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述步骤S22中在 U‑Net的跳跃连接中加入多尺度特征融合， 具体结构采用 改进后的空洞空间金字塔池化模块， 使用三个采样率分别是2、 4、 8的空洞卷积、 一个普通卷 积和一个最大池化， 然后对编码阶段的特征分别进行卷积和池化， 将得到的五个特征图进 行融合， 从而获得 更细节的特 征。 6.根据权利要求3所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述步骤S23中注意力机制使用通道注 意力， 包括压缩和激发两个操作； 压 缩操作中， 对输入大小为C ×W×H(其中(W,H)是Feature  map的大小， C是通道数)的特征图U 进行全局平均池化(GAP)， 得到大小为1 ×1×C的全局压缩 特征向量Z； 发操作是将 压缩操作 得到的结果Z通过两层全 连接构成的门机制(gate  mechanism)， 得到特征图U的通道权重矩 阵S， 最后再将权 重矩阵S与原 始特征图U相乘得到U'； 具体 计算公式如下： S＝Fse(X)＝σ(W2δ(W1GAP(U))) U'＝S·U 其中， 为第一个全连接层的权重矩阵， 为第二个全连接层的权重矩 阵， r为缩放 参数(减速比 )， 默认值 为16， δ 为ReLU激活函数， σ 为sigmo id激活函数。 7.根据权利要求3所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割权　利　要　求　书 1/2 页 2 CN 115424103 A 2法， 其特征在于： 所述U ‑Net网络中所有的卷积方式都使用深度过参数化卷积DO ‑Conv代替 普通卷积。 8.根据权利要求1所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述步骤S3中混合损失函数包含广义Dice损失函数和 类别交叉熵损失函 数， 该混合损失函数计算公式为： L＝Lg+λLc 该式中， λ为超参数， 用来控制Lg和Lc之间的平衡， 本实验中设置为1.25； GDL函数是多分类的损失函数， 为每个类分配一个自适应权重， 用来处理类的不平衡 问； GDL函数的计算公式为： 该公式中， L为肿瘤类别标签， N为像素点数量， ε是防止出现分母为0导致的计算错误而 设置的一个光滑算子， Wj表示第j个类的权重， gij为第j类标签在第i个像素点的真值标签， pij为模型的对应位置的预测结果； 多分类的交叉熵损失函数的计算公式为： 该式中， N为所有的样本数量， C为所有的标签数量， gij为第i个样本的第j个元素的真实 值， pij为第i个样本的第j个元 素的预测值。 9.根据权利要求1所述的基于注意力机制和多尺度特征融合的改进U ‑Net脑肿瘤分割 法， 其特征在于： 所述步骤S4中将Br aTS2018的验证集输入网络， 用训练好的模型进行分割 预测， 将每个病人的分割预测图保存， 然后登录官方网站， 找到Br aTS2018的验证集在线验 证链接， 进入链接上传验证集的分割 结果进行在线验证， 最后得到验证集所有病 人的预测 结果表格。 10.根据权利要求9所述的基于注意力 机制和多尺度 特征融合的改进U ‑Net脑肿瘤 分割 法， 其特征在于： 采用Dice相似度系数作为性能评价指标定量评估模型的所述的分割结果， Dice是计算模 型得到的分割区域与标签的真实分割区域之间的重叠程度， 范围是[0,1]， 值 越大说明肿瘤分割结果与标注结果越接 近， 分割效果越好， 它的定义公式如下： 其中∩是逻辑AND运 算符， |·|是集合的大小， P1和T1分别代表P＝1和T＝1的体素集 合。权　利　要　求　书 2/2 页 3 CN 115424103 A 3