一种双线性注意力机制门的颅脑肿瘤图像分割方法

本发明属于颅脑肿瘤图像分割，尤其涉及一种双线性注意力机制门的颅脑肿瘤图像分割方法。

背景技术：

1、u-net网络作为一种编解码结构图像分割模型，因其简单、高效、易懂、容易构建，可以从小数据集中训练的特点，在医学图像分割领域中得到广泛应用。注意力门作为一种软注意力机制，可以有效抑制模型学习与任务无关的部分，同时加重学习与任务有关的特征。在针对颅脑肿瘤图像分割处理中，传统分割方法包括人工分割、u-net、psp-net、和attention u-net，目前来说，人工分割准确率高，但是效率偏低，u-net、psp-net、attention u-net和人工分割相比虽然效率提升了，但是准确率却有不同程度的下降。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明提供一种双线性注意力机制门的颅脑肿瘤图像分割方法，采用双线性注意力门运用到编码器与解码器中，形成能够自动对图像进行分割处理的双线性注意力u型网络结构，提高对图像分割处理的敏感度与准确率。

2、技术方案：为实现上述目的，本发明的一种双线性注意力机制门的颅脑肿瘤图像分割方法，将注意力门中的双路特性向量进行双线性乘积，形成双线性注意力门，同时将双线性注意力门添加到u-net网络模型中，包括：

3、将双线性注意力门添加到u-net网络模型的编码器中，抑制图像的不相关区域，注重有用显著特征的提取；

4、以及将双线性注意力门添加到u-net网络模型的解码器中，将低等特征向量与高等特征向量进行拼接，进一步抑制图像的不相关区域，降低模型参数；

5、形成对图像进行分割处理的双线性注意力u型网络结构。

6、进一步地，在双线性注意力u型网络结构的编码过程中，对每一级联层添加双线性注意力门，将通过双线性注意力门后的特征数据，经过池化操作后传递给下一层，以抑制图像的不相关区域特征。

7、进一步地，双线性注意力门的算法步骤如下：

8、步骤一：输入特征矩阵g＝(fgxhgxwgxdg)，p＝(fpxhpxwpxdp)；

9、步骤二：对g和p做1*1卷积；

10、步骤三：将卷积后的双路特征矩阵按位进行双线性乘积，凸显重要特征；

11、步骤四：将相加后的结果经过relu函数，过滤低等特征；

12、步骤五：通过1*1的卷积层；

13、步骤六：经过sigmoid函数，得到注意力权重；

14、步骤七：根据图像大小进行重采样；

15、步骤八：将注意力权重与p特征矩阵相乘，重新调整特性向量的重要性。

16、进一步地，对于输入特征矩阵g和特征矩阵p的操作过程的公式(1)和公式(2)如下：

17、

18、

19、其中：σ1为relu函数，σ2为sigmoid函数，线性变换

20、偏移项bψ∈r。

21、进一步地，在双线性注意力u型网络结构的解码过程中，将双线性注意力门添加到跳跃连接层，在低等特征与高等特征的融合时，将高等特征图蕴含的高分辨率细节信息进行突显，突出图像重要的特征信息。

22、进一步地，在解码过程中，双线性注意力u型网络结构为通过将g特征矩阵和p特征矩阵经过注意力门后，突显图像中重要特征，并抑制每一级联层的低等不相关特征，降低模型参数。

23、有益效果：本发明将双线性注意力门添加到u-net网络模型的编码器中，抑制图像的不相关区域，注重有用显著特征的提取；以及将双线性注意力门添加到u-net网络模型的解码器中，将低等特征向量与高等特征向量进行拼接，进一步抑制图像的不相关区域，降低模型参数，并提高对图像分割处理的敏感度与准确率；形成对图像进行分割处理的双线性注意力u型网络结构，提高对图像分割处理的敏感度与准确率。

技术特征：

1.一种双线性注意力机制门的颅脑肿瘤图像分割方法，其特征在于：将注意力门中的双路特性向量进行双线性乘积，形成双线性注意力门，同时将双线性注意力门添加到u-net网络模型中，包括：

2.根据权利要求1所述的一种双线性注意力机制门的颅脑肿瘤图像分割方法，其特征在于：在双线性注意力u型网络结构的编码过程中，对每一级联层添加双线性注意力门，将通过双线性注意力门后的特征数据，经过池化操作后传递给下一层，以抑制图像的不相关区域特征。

3.根据权利要求2所述的一种双线性注意力机制门的颅脑肿瘤图像分割方法，其特征在于：双线性注意力门的算法步骤如下：

4.根据权利要求3所述的一种双线性注意力机制门的颅脑肿瘤图像分割方法，其特征在于：对于输入特征矩阵g和特征矩阵p的操作过程的公式(1)和公式(2)如下：

5.根据权利要求4所述的一种双线性注意力机制门的颅脑肿瘤图像分割方法，其特征在于：在双线性注意力u型网络结构的解码过程中，将双线性注意力门添加到跳跃连接层，在低等特征与高等特征的融合时，将高等特征图蕴含的高分辨率细节信息进行突显，突出图像重要的特征信息。

6.根据权利要求5所述的一种双线性注意力机制门的颅脑肿瘤图像分割方法，其特征在于：在解码过程中，双线性注意力u型网络结构为通过将g特征矩阵和p特征矩阵经过注意力门后，突显图像中重要特征，并抑制每一级联层的低等不相关特征，降低模型参数。

技术总结
本发明公开了一种双线性注意力机制门的颅脑肿瘤图像分割方法，将注意力门中的双路特性向量进行双线性乘积，形成双线性注意力门，同时将双线性注意力门添加到U‑Net网络模型中，包括：将双线性注意力门添加到U‑Net网络模型的编码器中，抑制图像的不相关区域，注重有用显著特征的提取；以及将双线性注意力门添加到U‑Net网络模型的解码器中，将低等特征向量与高等特征向量进行拼接，进一步抑制图像的不相关区域，降低模型参数；形成对图像进行分割处理的双线性注意力U型网络结构。本发明采用双线性注意力门运用到编码器与解码器中，形成能够自动对图像进行分割处理的双线性注意力U型网络结构，提高对图像分割处理的敏感度与准确率。

技术研发人员：张琼
受保护的技术使用者：南通理工学院
技术研发日：
技术公布日：2024/2/21