技术特征：
1.一种基于注意力机制的食管鳞癌图像的分割方法，其特征在于，包括：获取原始食管鳞癌ct影像序列；对获取到的图像进行预处理；搭建注意力网络模型，将预处理后的图像输入到模型中训练；利用训练好的模型输出评价指标，获得食管鳞癌分割结果。2.如权利要求1所述的基于注意力机制的食管鳞癌图像的分割方法，其特征在于，所述的注意力网络模型基于u-net网络，包括归一化层、下采样阶段、上采样阶段、激活层、池化层和注意力层。3.如权利要求2所述的基于注意力机制的食管鳞癌图像的分割方法，其特征在于，所述的注意力层包括通道注意力模块和空间注意力模块，所述通道注意力模块包括使用se块的全局平均池化层、第一个全连接层、relu激活函数层、第二个全连接层和sigmoid激活函数层，所述空间注意力模块包括全局平均池化层、分割patch层、计算自注意力层、计算二次权重层和sigmoid激活函数层。4.如权利要求2所述的基于注意力机制的食管鳞癌图像的分割方法，其特征在于，所述将预处理后的图像输入到模型中训练，还包括可视化过程，所述可视化过程具体为：将来自下采样后的特征和经过注意力模块较准过的特征进行可视化的对比。5.如权利要求1所述的基于注意力机制的食管鳞癌图像的分割方法，其特征在于，所述对获取到的图像进行预处理，具体包括：对获取到的食管鳞癌图像中的食管区域进行定位和粗分割、扩充数据集、以及按照设定比例将数据集分成训练集、验证集和测试集。6.如权利要求1所述的基于注意力机制的食管鳞癌图像的分割方法，其特征在于，注意力网络模型损失函数的公式为：其中，tp是真正例，fp是假正例，fn是假反例。7.如权利要求1所述的基于注意力机制的食管鳞癌图像的分割方法，其特征在于，采用准确率、精准率和召回率三个评价指标评估模型，评价指标公式为：准确率、精准率和召回率三个评价指标评估模型，评价指标公式为：准确率、精准率和召回率三个评价指标评估模型，评价指标公式为：其中，tp是真正例，模型预测为正例，实际也是正例；fp是假正例，模型预测为正例，实际为假例；fn是假反例，模型预测为反例，实际是正例；tn是真反例，模型预测为反例，实际也是反例。8.一种基于注意力机制的食管鳞癌图像的分割系统，其特征在于：包括：数据获取模块，被配置为：获取原始食管鳞癌ct影像序列；
数据处理模块，被配置为：对获取到的图像进行预处理；模型搭建模块，被配置为：搭建注意力网络模型；模型训练模块，被配置为：将预处理后的图像输入到模型中训练；结果输出模块，被配置为：利用训练好的模型输出评价指标，获得食管鳞癌分割结果。9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于注意力机制的食管鳞癌图像的分割方法中的步骤。10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于注意力机制的食管鳞癌图像的分割方法中的步骤。
技术总结
本发明提出了一种基于注意力机制的食管鳞癌图像的分割方法，属于图像处理技术领域。包括：获取原始食管鳞癌CT影像序列；对获取到的图像进行预处理；搭建注意力网络模型，将预处理后的图像输入到模型中训练；利用训练好的模型输出评价指标，获得食管鳞癌分割结果。本发明引入通道注意力模块和空间注意力模块，提升重要特征抑制不重要特征，在提升分割精度的前提下，极大的提升了深度神经网络模型的泛化能力，同时通过可视化的方法解释深度神经网络在提取特征过程中所关注的图像区域，以此解释神经网络的内部运行机制。神经网络的内部运行机制。神经网络的内部运行机制。
技术研发人员：彭立志 张祥达 杨波
受保护的技术使用者：济南大学
技术研发日：2022.06.22
技术公布日：2022/9/20