1.一种基于ZSNet的胃癌CT病变区域检测方法,其特征在于,包括如下步骤:
S1,获取胃癌CT病变区域灰度图像,对图像进行预处理并标注制作成数据集;
S2,构建基于YOLOv8网络的胃癌CT目标检测模型;所述胃癌CT目标检测模型包括Backbone部分、Neck部分和Head部分;
所述Backbone部分包括依次连接的第一单元、第二单元、第三单元和第四单元;所述第二单元和第四单元包括一个以上基于全维度动态卷积的ZSNet结构;所述数据集依次经过第一单元、第二单元、第三单元和第四单元进行特征提取,由第二单元和第四单元分别输出提取的特征表示到Neck部分;
所述Neck部分,基于dysample结构和ZSNet结构对输入Backbone部分的特征表示进行多尺度特征融合后输出若干维度特征图至Head部分;
所述Head部分,获取Neck部分的维度特征图,经CBS结构的特征增强和Con2d结构的特征映射后输出胃癌CT病变区域检测图像;
S3,利用数据集对胃癌CT目标检测模型进行训练,得到训练好的模型;
S4,使用训练好的模型进行胃癌CT病变区域检测;
所述Backbon部分中,第一单元包括依次连接的第一CBS结构和第二CBS结构,第二单元包括依次连接的第一ZSNet结构、第三CBS结构和第二ZSNet结构,第三单元包括第四CBS结构,第四单元包括依次连接的第三ZSNet结构、第五CBS结构、第四ZSNet结构和SPPF结构;
每个所述ZSNet结构包括CBS压缩模块、通道拆分模块、第一CT-Neck模块、第二CT-Neck模块、特征融合模块和CBS恢复模块;ZSNet结构的输入数据通过CBS压缩模块进行特征变换和通道压缩,再经过通道拆分模块按通道维度均分成第一路特征和第二路特征,第二路特征经过第一CT-Neck模块进行增强处理得到第三路特征,第三路特征经过第二CT-Neck模块进行增强处理得到第四路特征;特征融合模块融合第一路特征、第二路特征、第三路特征和第四路特征,得到统一特征图;通道恢复模块对统一特征图调整通道数使之与ZSNet结构连接的后续模块的通道数一致,通道恢复模块的输出作为ZSNet结构的输出。
2.根据权利要求1所述的基于ZSNet的胃癌CT病变区域检测方法,其特征在于,所述Neck部分包括一dysample结构、第二dysample结构、第一Concat结构、第二Concat结构、第三Concat结构、第四Concat结构、第五ZSNet结构、第六ZSNet结构、第七ZSNet结构、第八ZSNet结构、第六CBS结构和第七CBS结构;Neck部分的具体实现如下:SPPF结构输出的特征表示经过第一dysample结构进行采样,在第一Concat结构与第三ZSNet结构输出的特征表示进行特征融合后,依次经过第五ZSNet结构和第二dysample结构,与第二单元输出的特征表示在第二Concate结构中进行维度拼接,拼接后的结果通过第六ZSNet结构后输出第一维度特征图到Head部分;
第六ZSNet结构的输出经过第六CBS结构,在第三Concat结构中与第五ZSNet结构的输出进行维度拼接,再经过第七ZSNet结构后,输出第二维度特征图到Head部分;
第七ZSNet结构的输出经过第七CBS结构,在第四Concat结构中与SPPF结构输出的特征表示进行拼接,再通过第八ZSNet结构,输出第三维度特征图到Head部分。
3.根据权利要求1所述的基于ZSNet的胃癌CT病变区域检测方法,其特征在于,所述第一CT-Neck模块和所述第二CT-Neck模块采用相同结构,各CT-Neck模块包括残差门控函数模块、第一ODConv模块、第二ODConv模块和相加模块;所述残差门控函数模块基于CT-Neck模块的输入特征计算出值为1或0的门控函数值;所述第一ODConv模块输入CT-Neck模块的输入特征,进行全尺度动态卷积后输出至第二ODConv模块;所述第二ODConv模块,将第一ODConv模块的输出进行全尺度动态卷积后输出至相加模块;所述相加模块在门控函数值为0时,将第二ODConv模块的输出作为CT-Neck模块的输出;所述相加模块在门控函数值为1时,将CT-Neck模块的输入特征与第二ODConv模块的输出进行元素相加,并作为CT-Neck模块的输出。
4.根据权利要求1所述的基于ZSNet的胃癌CT病变区域检测方法,其特征在于,所述dysample结构的处理过程如下:对dysample结构的输入特征X进行线性变换,生成可学习的偏移量;
将传统上采样时的规则网格与偏移量相加,生成动态采样网格;
利用动态采样网格对输入特征进行插值采样,获得上采样后的特征图,如下:
X′=gridsample(X,S);
其中,X′表示上采样后的特征图,即dysample结构的输出;S表示动态采样网格;gridsample表示插值采样;X表示dysample结构的输入特征。
5.根据权利要求1所述的基于ZSNet的胃癌CT病变区域检测方法,其特征在于,所述胃癌CT目标检测模型的总损失函数结合边界框回归损失函数和分类损失函数,表示为:Ltotal=λBboxLBbox+λclsLcls;
其中,Ltotal表示总损失函数;LBbox表示边界框回归损失函数;Lcls表示分类损失函数;λBbox和λcls分别表示损失函数的权重。
6.根据权利要求5所述的基于ZSNet的胃癌CT病变区域检测方法,其特征在于,所述边界框回归损失函数包括WIoU损失和分布焦点损失;所述WIoU损失表示为:LWIoU=RWIoU×LCIoU;
LCIoU=1-CIoU(b,b*);
其中,LWIoU表示WIoU损失;RWIoU表示指数加权因子;LCIoU表示CIoU损失;CIoU(b,b*)表示交并比;b和b*分别表示预测框与真实框;(bcx,bcy)表示预测框的中心坐标;表示真实框的中心坐标;cw和ch分别表示归一化后的宽度和高度;
所述分布焦点损失表示为:
LDFL(Si,Si+1)=-((yi+1-y)log(Si)+(y-yi)log(Si+1));
其中,LDFL(Si,Si+1)表示分布焦点损失;Si和Si+1分别表示网络输出的预测值;y、yi和yi+1分别表示输入网络的真实值,y表示真实标签;i和i+1表示数据集中两个连续的相邻位置。
7.根据权利要求5所述的基于ZSNet的胃癌CT病变区域检测方法,其特征在于,所述分类损失函数表示为:Lcls=-αy(1-p)γlog(p)-(1-y)(pγ)log(1-p);
其中,Lcls表示分类损失函数;p表示模型输出的预测概率;y表示真实标签;α表示平衡因子,用来调整正负样本的影响;γ表示焦点因子,用来控制模型对困难样本的关注。
8.一种使用权利要求1-7中任一项所述基于ZSNet的胃癌CT病变区域检测方法的基于ZSNet的胃癌CT病变区域检测装置,包括如下:图像获取与预处理模块,用于获取胃癌CT病变区域灰度图像,对图像进行预处理并标注制作成数据集;
模型构建模块,用于构建基于YOLOv8网络的胃癌CT目标检测模型;所述胃癌CT目标检测模型包括Backbone部分、Neck部分和Head部分;
所述Backbone部分包括依次连接的第一单元、第二单元、第三单元和第四单元;所述第二单元和第四单元包括一个以上基于全维度动态卷积的ZSNet结构;所述数据集依次经过第一单元、第二单元、第三单元和第四单元进行特征提取,由第二单元和第四单元分别输出提取的特征表示到Neck部分;
所述Neck部分,基于dysample结构和ZSNet结构对输入Backbone部分的特征表示进行多尺度特征融合后输出若干维度特征图至Head部分;
所述Head部分,获取Neck部分的维度特征图,经CBS结构的特征增强和Con2d结构的特征映射后输出胃癌CT病变区域检测图像;
模型训练模块,用于利用数据集对胃癌CT目标检测模型进行训练,得到训练好的模型;
胃癌CT病变区域检测模块,用于使用训练好的模型进行胃癌CT病变区域检测。