1.一种基于MU‑Net应用于CT影像的颅内出血病灶分割算法,其特征在于所述颅内出血病灶分割算法包括如下步骤:
步骤一、数据获取
从DICOM格式的医学CT影像得到CT图像值,对得到的CT图像值进行开窗操作,合成图片并保存成NIFTI格式;
步骤二、数据扩充
(1)CT图像和标签进行通道融合得到融合图像;
(2)将融合图像进行数据增强处理,得到新融合图像;
(3)将新融合图像进行通道拆分,得到新CT图像;
步骤三、在特征编码器模块中加入Res2Block(1)输入1×1卷积计算,其输出的特征图通道数设为n,引入超参数s表示将特征图的通道分成多少个组,则每个尺度的特征图的通道数w=n/s;
(2)均分后每个组的特征设为xi,i∈{1,2,...,s},定义Ki()为3×3的卷积核,其输出为yi,每个子特征xi与Ki‑1()相加,然后作为Ki()的输入;
(3)将每个尺度的输出特征进行通道拼接;
(4)将拼接之后的特征图进行1×1的卷积操作,进而得到这个block的输出;
步骤四、在解码器模块中设计加入MD模块(1)输入1×1卷积计算,其输出的特征图通道数设为n,将通道数划分为4份,均分后每个组的特征设为xi,i∈{1,2,3,4};
(2)定义 为步长为1的3×3的反卷积核,其输出为yi,每个子特征xi与相加,然后作为 的输入;
(3)将yi进行通道拼接;
(4)将拼接后的特征图作为步长为2的3×3反卷积的输入;
步骤五、在U‑Net原有基础上引入MIF模块(1)对应编码层的特征图输出进行特征提取:其中,k∈{1,2,3},当k=1时,代表当前为一个编码层输出之后的MIF模块;fi代表了对应编码层的输出,Fi代表的是经过3×3卷积核SE模块之后得到的特征图;
(2)将Fi,i≠k经过反卷积处理得到与Fk相同维度的特征图:其中,DC代表了反卷积操作;
(3)按照如下公式将得到的相同维度的特征图进行通道聚合,使用1×1卷积得到最终的多融合特征,即MIF模块的输出:其中,C1×1为1×1卷积操作;
步骤六:设置损失函数
其中,N代表的是像素数,p(k,i)∈[0,1]和g(k,i)∈[0,1]分别代表着k类预测概率和真实标签,K是类别的数量,wk代表着像素类的权重;
步骤七、输出预测结果。
2.根据权利要求1所述的基于MU‑Net应用于CT影像的颅内出血病灶分割算法,其特征在于所述步骤三中,yi的表达式如下:
3.根据权利要求1所述的基于MU‑Net应用于CT影像的颅内出血病灶分割算法,其特征在于所述步骤四中,yi的表达式如下: