一种基于改进Unet++的脑部影像数据处理方法

本发明属于脑部影像识别，尤其是涉及一种基于改进unet++的脑部影像数据处理方法。

背景技术：

1、脑卒中是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。严重脑卒中可造成永久性神经损伤，急性期如果不及时诊断和治疗可造成严重的并发症。由于脑卒中发病危急、并发症风险大的特点，通过及时准确的放射学影像处理模型可以快速筛查出高危患者，更好地指导科室的治疗决策，同时也有助于医师为康复期患者选择更有针对性的康复训练项目。

2、申请号为cn202110674662.7的中国专利公开了一种基于改进型unet的ct图脑出血自动检测系统，采用改进的unet网络对提取脑实质的脑部ct图像标记脑出血区域的位置；包括rcsp卷积模块、cbl4卷积模块、特征金字塔注意力机制模块、多尺度特征跳跃连接模块和输出模块。论文“3d u-net:learning dense volumetric segmentation fromsparse annotation”针对2d unet分割不连续丢失空间上下文信息的缺点，基于2d u-net提出新的3d u-net方法，将2d部分全部换成3d操作，同时运用平滑的密集变形场，增强了网络的分割效果。

3、上述传统方法存在的问题是：针对医学影像进行处理的2d-unet方法，往往将3dmri体积分解成许多2d切片，再使用分割模型输出各切片的分割结果。传统二维卷积unet模型忽略了医学影像数据的空间特征，影响最终结果。针对二维unet网络存在的缺陷，出现了三维unet网络，将作用于二维医学的unet网络推广到三维图像。但三维unet网络在进行图像处理时，虽然可以实现三维mri图像脑组织的立体处理效果，但整个网络的学习参数众多，速度较慢，对小型数据集来说容易过拟合，饱受高计算资源需求的困扰。

技术实现思路

1、本发明的目的是提供一种脑部影像数据处理方法，首先将脑部mri的3d影像分为轴位面(横断面)、冠状面和矢状面三个2d面，建立am-unet++(attention modulesupplementarily-unet++)网络，对大脑内的感兴趣区域进行特征提取，引入注意力机制分析，最后通过3d-cnn融合网络进行信息融合，最终得到3d病灶分割结果。本发明既保留三维影像的空间上下文连贯性，也避免了3d模型运算成本高的问题。

2、本发明的技术方案为：

3、一种基于改进unet++的脑部影像数据处理方法，包括以下步骤：

4、s1、制作训练数据：

5、将获取的原始mri影像经过预处理和归一化后，将原始3d影像切分为三个2d影像序列，分别为轴位面图像、冠状面图像和矢状面图像；

6、s2、构建脑部影像数据处理模型，包括改进的unet++网络和3d融合网络：

7、在unet++网络基础上增加注意力模块得到改进的unet++网络，注意力模块的输入为编码器xi-1，0和解码器xi,4-i，1≤i≤4，注意力模块将两个输入拼接得到特征图fi：

8、fi＝<xi-1，0，xi，4-i>

9、再对特征图fi进行下采样，然后分别进行最大池化和平均池化，生成两个2d注意力图和

10、

11、

12、其中，d(·)表示下采样操作，avgpool(·)和maxpool(·)分别表示平均池化操作和最大池化操作；再利用一个标准的卷积层进行连接和卷积操作，得到拼接和特征学习后的二维注意力图，用a(·)表示注意门操作：

13、

14、其中，σ(·)为sigmoid函数，f(·)函数为卷积操作；

15、各解码器结点xi,j的特征映射堆栈计算公式如下：

16、

17、其中，i表示沿编码器索引下采样的第i层，j表示沿跳过连接索引密集块的第j个卷积层，u(·)表示上采样操作，<a，b>表示将a,b串联拼接起来；

18、构建3d融合网络，分别包括3d融合主网络、3d融合副网络和3d融合输出网络，其中3d融合主网络包括第一3d卷积层、第一bn归一化层和第一relu激活函数层，其中第一3d卷积层的输入分别为改进的unet++网络输出的预测值，定义对三个2d影像序列提取的预测输出分别为再加上设定的权重ω1，ω2，ω3构成第一3d卷积层的输入分别为第一3d卷积层的输出经过第一bn归一化层和第一relu激活函数层后得到3d融合主网络的输出；3d融合副网络包括第二3d卷积层和第二bn归一化层，第二3d卷积层的输入分别为改进的unet++网络每条支路的最低编码器节点的输出，和设定的权值结合后分别定义为第二3d卷积层的输出经过第二bn归一化层后得到3d融合副网络的输出；3d融合主网络的输出和3d融合副网络的输出拼接后输入到3d融合输出网络，3d融合输出网络包括第三3d卷积层、第二relu激活函数层和softmax层，3d融合主网络的输出和3d融合副网络的输出拼接后经过第三3d卷积层、第二relu激活函数层和softmax层最终得到softmax概率，概率预测每个区域的体素值；采用的损失函数为：

19、

20、其中si为预测体素输出，si＞t表示预测此体素有病变，否则预测无病变，t为超参数，依据模型训练情况调整；ti为真实病变值，ti＝1表示体素真实有病变，否则真实无病变；

21、s3、利用s1获得的训练数据对s2构建的脑部影像数据处理模型进行训练，得到训练好的脑部影像数据处理模型；

22、s4、获取脑部影像数据，按s1的方法处理后输入训练好的脑部影像数据处理模型获得处理结果。

23、本发明的有益效果为：

24、与现有技术相比，本发明提出的技术方案，克服了医学影像模型存在的3d模型高运算成本、2d模型丢失细节的问题。在我们的模型中通过将3d影像切片2d序列，再对2d影像分别进行处理，这样避免了3d模型的高资源使用率；最终通过3d融合网络将连续序列的2d影像进行融合重构为3d影像，如此保留了三维影像的空间上下文连贯性。本发明巧妙解决现存问题，降低资源使用率同时保留空间特征，节省成本又更为准确。

技术特征：

1.一种基于改进unet++的脑部影像数据处理方法，其特征在于，包括以下步骤：

技术总结
本发明属于脑部影像识别技术领域，尤其是涉及一种基于改进Unet++的脑部影像数据处理方法。本发明首先将脑部MRI的3D影像分为轴位面(横断面)、冠状面和矢状面三个2D面，建立AM‑Unet++(attention module supplementarily‑Unet++)网络，对大脑内的感兴趣区域进行特征提取，引入注意力机制分析，最后通过3D‑CNN融合网络进行信息融合，最终得到3D病灶分割结果。本发明既保留三维影像的空间上下文连贯性，也避免了3D模型运算成本高的问题。

技术研发人员：刘丹,刘勇国,李巧勤,张云,朱嘉静
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/1/16