公开(公告)号：CN114155251B

公开(公告)日：2024-10-15

申请号：CN202111483251.6

申请日：2021-12-07

Applicant: 重庆邮电大学

Inventor： 程和伟 ,  任郑宇 ,  范勇 ,  李章勇 ,  王伟 ,  田银 ,  赵德春 ,  谢江安 ,  李沛洋 ,  刘洁

IPC: G06T7/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种新的上下文感知卷积神经网络的全脑三维解剖结构分割方法。该方法在卷积神经网络的卷积模块后串联一个全新的双重注意力模块。该模块通过卷积自动学习通道和空间注意力权重并分别对输入的卷积特征进行加权，再通过卷积自适应融合加权后的卷积特征，以此提高网络的分类性能。此外，本发明将图像中待分割对象所有体素为中心的图像块作为训练数据，通过完全采样充分利用有限的标注数据对其样本分布进行较为完整的学习，以此进一步提高网络的分类性能。本发明提出的方法具有分割精度高、稳定性好的优点。在10个实施例的磁共振脑图像分割中，本方法获得分割结果的平均精度达93.27％，这比当前最先进的DeepNAT方法获得分割结果的平均精度提高了3.790％。

公开(公告)号：CN114155251A

公开(公告)日：2022-03-08

申请号：CN202111483251.6

申请日：2021-12-07

Applicant: 重庆邮电大学

Inventor： 程和伟 ,  任郑宇 ,  范勇 ,  李章勇 ,  王伟 ,  田银 ,  赵德春 ,  谢江安 ,  李沛洋 ,  刘洁

IPC: G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种新的上下文感知卷积神经网络的全脑三维解剖结构分割方法。该方法在卷积神经网络的卷积模块后串联一个全新的双重注意力模块。该模块通过卷积自动学习通道和空间注意力权重并分别对输入的卷积特征进行加权，再通过卷积自适应融合加权后的卷积特征，以此提高网络的分类性能。此外，本发明将图像中待分割对象所有体素为中心的图像块作为训练数据，通过完全采样充分利用有限的标注数据对其样本分布进行较为完整的学习，以此进一步提高网络的分类性能。本发明提出的方法具有分割精度高、稳定性好的优点。在10个实施例的磁共振脑图像分割中，本方法获得分割结果的平均精度达93.27％，这比当前最先进的DeepNAT方法获得分割结果的平均精度提高了3.790％。