一种基于U-net和注意力机制的婴幼儿脑组织分割方法与流程

技术特征：
1.一种基于u
‑
net和注意力机制的婴幼儿脑组织分割方法，其特征在于：该方法包括如下步骤：步骤1：对训练样本按照32
×
32
×
32像素大小进行取块，使用随机取块的方式对每一个训练样本取一定的数量组成训练集；步骤2：搭建dense
‑
unet网络模型，编码器部分，采用密集链接块提取特征，使用3
×3×
3的卷积层进行特征提取，池化层使用2
×2×
2的平均池化；步骤3：使用dense
‑
unet网络模型对训练集进行训练、调参，在验证集验证模型效果时，使用只提取中心块的方式来融合训练结果组合成最终的样本，保存最佳分割模型和结果，并对每一个样本都进行验证；步骤4：比较模型预测结果和手工标签的结果，得到易分错区域的分布图，将错误的位置标记为1，正确的位置标记为0；步骤5：使用高斯函数对每个样本的易分错区域的分布图进行模糊化，使其错误中心区域权重值高，边缘区域权重低，并且对整体结果加1，并求平均值作为验证样本的一个输入；步骤6：对训练样本按照32
×
32
×
32像素大小进行取块，使用随机取块和步骤4得到的每个样本对应的错误区域取块的方式按照一定比例对每一个训练样本取一定的数量组成训练集；步骤7：设计一个包含空间和易分错区域的自注意力机制加入到网络模型的第一层和第二层中；步骤8：使用新的网络模型对训练集进行训练、调参，在验证集验证模型效果时，使用只提取中心块的方式来融合训练结果组合成最终的样本，保存最佳分割模型和结果，并对每一个样本都进行验证，多次交叉验证确保结果的真实性。2.根据权利要求1所述的一种基于u
‑
net和注意力机制的婴幼儿脑组织分割方法，其特征在于：对所述训练样本进行切块训练，使用随机取块的方式加大样本量，在降低数据大小的同时提升训练集容量。3.根据权利要求2所述的一种基于u
‑
net和注意力机制的婴幼儿脑组织分割方法，其特征在于：所述dense
‑
unet网络模型中，加入密集连接提高特征复用，并在第二次训练中加入注意力机制提高模型在易分错区域的分割能力。4.根据权利要求3所述的一种基于u
‑
net和注意力机制的婴幼儿脑组织分割方法，其特征在于：所述训练样本在训练时，在卷积操作时，为保持卷积前后同样大小，认为最终结果的边缘区域可靠程度没有中心区域高，采用取每个预测块中心块的方法进行补零操作。

技术总结
本发明涉及一种基于U


技术研发人员：刘玲慧 袁春诚 栾晓
受保护的技术使用者：重庆邮电大学
技术研发日：2021.08.06
技术公布日：2021/10/18