一种CT图像病变检测方法

1.一种CT图像病变检测方法，包括如下步骤：
对医学CT图像进行预处理和数据增强；
构建多张连续切片病变检测的网络模型，模型基于Mask‑RCNN网络，包括卷积神经网络
CNN，RPN网络和RCNN网络，模型分两个阶段进行病变检测；
在卷积神经网络CNN中构建多尺度下的局部轴向自注意力MSLASA模块，所述CNN采用特
征金字塔形式，通过自底向上Bottom‑up和自顶向下Top‑down的网络方式获取CT图片的浅
层特征和深层特征，并通过跳跃连接建立深层特征和浅层特征的融合，以浅层特征作为输
入，在多尺度下的局部轴向自注意力模块MSLASA中获取CT图像的特征权重并将其映射到输
出特征中；
所述RPN网络负责模型中第一阶段检测框的回归和分类，根据特征图的大小和预设的
矩形框的大小和比例，会在特征图中每个点生成固定数量的anchors，由RPN网络预测各个
anchors的偏置和类别回归，得到第一阶段的回归框；根据第一阶段所得anchors中score得
分的高低，选取一部分送入RCNN网络进行第二阶段的回归和分类，得到最优的模型参数；
模型在两阶段的处理下，输出最终预测的回归框的类别和坐标，输出在不同FPs下实验
的准确率，并输出附加预测的检测回归框的CT医学图片。
2.根据权利要求1所述的检测方法，其特征在于：RPN网络和RCNN网络作为两个检测阶
段分别计算一次loss，每个阶段的loss均为回归loss和分类loss，最终的loss函数为两阶
段loss之和，loss函数如下：
分类loss:
其中，Lcls代表分类loss，n代表样本总数，x代表样本，yi代表实际的标签，a代表预测的
输出；
回归loss:
其中，Lreg代表回归loss，n代表样本总数，x代表样本，y代表实际的坐标，f(x)代表预测
的坐标值；
总的loss:
L＝LRPN,cls+LRPN,reg+LRCNN,cls+LRCNN,reg
其中，L是网络模型的最终loss，LRPN,cls和LRPN,reg分别指第一阶段RPN网络中的分类和回
归loss，LRCNN,cls和LRCNN,reg分别指第二阶段RCNN网络中的分类和回归loss。
3.根据权利要求1所述的检测方法，其特征在于：特征图作为MSLASA模块的输入，
MSLASA模块以每一个像素点为中心，根据其周边的多个尺度下的局部信息得出特征图中每
个点的像素权重值。
4.根据权利要求3所述的检测方法，其特征在于：多尺度下的局部轴向自注意力模块
MSLASA的具体实施步骤为：
对于输入MSLASA模块的特征图，在通道维度上将其等分为多份，对应计算多种不同尺
度下的特征信息，对于一份特征图，其中的各个像素点会和其周边固定尺度下的局部像素
进行融合计算，得到该像素在这个尺度下的融合信息；
一份特征图只对应一种尺度，首先对特征图进行1x1卷积获取每个像素点的特征展现
query值，同时对特征图作1x1卷积得到不同位置的特征key值，对于该特征图上的各个像素
点，都分配有以其为中心的固定尺度下的局部区域，将各像素点的query值与其对应局部区
域的key作点乘，并根据局部像素点个数作平均，每个点的输出为在该局部区域下的特征输
出，选取过正方形中心且垂直于正方形边长的横轴和竖轴上的像素点作为局部区域，并为
这些像素点添加了位置嵌入信息；
每份特征图均作处理，对于每个像素点，得到在多种不同尺度下的特征输出，将4份特
征图在通道上级联作为一个特征图，通过1x1的卷积和Relu激活函数，将多个尺度下的特征
进行融合，得到每个点的权重输出。
5.根据权利要求4所述的检测方法，其特征在于：多尺度下的局部轴向自注意力模块
MSLASA的实现公式如下：
其中xo代表o点的最终输出权重，fConv代表1x1的卷积+Relu激活函数，Φ代表通道级
联，p代表不同尺度下的局部区域， 代表o点不同尺度下的计算量，qo代表o点的query
值， 和 代表query对应的横、纵坐标的位置信息，kp代表不同尺度下像素点的key值，
代表key对应的位置信息。

暂无

暂无