本发明涉及一种深度神经网络，是一种基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，属于语义分割领域。
背景技术：
1、mri脑肿瘤分割是一项关键的医学影像分析任务，旨在通过精确的图像处理技术帮助医生准确识别和定位脑部异常组织。脑肿瘤是一种在脑组织内异常增生的肿瘤，严重威胁神经系统功能，治疗难度大、死亡率高。传统的手动分割方法不仅费时费力，而且易出错，因此自动化分割技术的发展显得尤为重要。
2、核磁共振成像(mri)作为非侵入性的主要脑肿瘤成像技术，能够生成高分辨率、无损伤的多模态脑影像，如flair、t1加权、t1ce和t2加权模态。每种模态提供了不同的组织对比度和信息，为医生提供了丰富的诊断依据，但面临信息复杂、量大和解读难度大的挑战。
3、近年来，基于深度学习的医学图像分析技术取得了显著进展，特别是u-net及其改进版本。u-net通过编码器-解码器结构有效地捕获局部和全局特征，在医学图像分割任务中表现出色。引入空洞卷积、多尺度特征融合等机制进一步增强了模型对细微结构和大范围上下文信息的理解能力，提高了分割的准确性和鲁棒性。
技术实现思路
1、根据当前存在的技术难题，为解决脑肿瘤分割中存在的分割边界模糊、对较小目标关注力差的问题。本发明提供了一种基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，该方法有效提取了模型中的浅层信息并精细化边界和结构，具有良好的分割性能，本发明的具体方案如下：
2、基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，包括以下步骤：
3、s1：获取mri脑肿瘤数据并进行数据预处理；
4、s2：计3d u-net模型，结合多尺度注意力机制和3d深度可分离卷积进行特征提取；
5、s3：引入用于二次分割的级联策略引导的分割方法；
6、s4：利用最优模型进行预测，保存和在线验证结果，计算评价指标，并最终进行结果对比。
7、进一步，步骤s1中实验所使用的数据集为国际医学图像计算与计算机辅助干预协会(miccai)提供的brats2020脑胶质瘤公共数据集。通过预处理脑肿瘤数据集，特别是多模态mri图像，可以有效去除噪声信号，如灰度不均匀和异常点，这不仅提高了图像的质量，还有助于准确地识别和分割出背景、坏死肿瘤核心区域、肿瘤周围水肿区域和增强肿瘤区域等标签数据，从而提高了分割的准确性和可靠性。
8、进一步，步骤s2中在基础u-net结构上的改进，具体为：
9、s21、采用3d深度可分离卷积模块替代原始u-net网络中的传统模块；
10、s22、设计了一种结合局部细节注意力模块、不同尺度上下文信息处理和全局注意力模块的多尺度注意力机制引入到u-net网络编码器的前两层；
11、本发明在u-net网络结构的基础上进行改进，重点优化了其编码和解码阶段的设计。针对传统u-net在处理三维医学图像时参数效率和空间信息捕获能力不足的问题，采用3d深度可分离卷积模块替代原始u-net网络中的传统模块。在u-net编码器第一第二层引入我们设计的一种多尺度注意力融合模块，该模块将输入张量和其对应的残差张量相加，然后分别通过局部细节注意力、不同尺度的上下文信息处理以及全局注意力子模块来捕获和增强不同层次的特征信息。最后，利用sigmoid激活函数生成权重系数，并将这些权重应用到输入张量和残差张量上，生成最终的输出特征张量。整个过程有效地提升了模型对mri脑肿瘤等医学图像的分割精度和感知能力。
12、进一步，所述步骤s3中引入级联策略引导的于二次分割方法，使用单个网络实现脑肿瘤的任务分割利用注意力机制，对粗分割结果中的小目标区域进行精细化处理。通过定义了两个模块：af和msacm。首先，af模块实现了级联注意力机制，通过两个3d卷积层和一个sigmoid激活函数，对输入的特征张量进行特征提取、归一化和映射，最终生成处理后的特征张量。然后，msacm模型利用两个af模块，按通道切分输入张量，将分割后的通道输入到af模块中进行处理，从而实现细分割任务。
13、进一步，所述步骤s4中模型预测及评价，使用经过训练优化的最佳模型对验证集进行预测，并将预测的分割结果提交至官方网站：https://ipp.cbica.upenn.edu/进行验证。评估模型性能时，采用dice相似度系数和hausdorff_95距离作为主要定量指标。
1.基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：所述步骤s1中，实验数据集采用国际医学图像计算和计算机辅助干预协会(miccai)提供的脑胶质瘤公共数据集brats2020,其中标记数据分为label0：背景，label1：坏死肿瘤核心区域，label2：肿瘤周围水肿区域，label4：增强肿瘤区域；对脑肿瘤数据集进行预处理，旨在消除脑肿瘤多模态图像中的噪声信号并降低其灰度不均匀性。
3.根据权利要求1所述的基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：所述步骤s2在基础的u-net网络结构上进行改进，具体为：
4.根据权利要求3基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：所述步骤s21，在u-net模型的编码和解码阶段，将传统卷积模块替换为3d深度可分离卷积模块。使用3d深度可分离卷积可以显著减少参数量和计算成本，同时保持模型的特征提取能力和分割精度，特别适用于mri脑肿瘤分割任务。
5.根据权利要求3所述的基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：所述步骤s22，在u-net编码器第一第二层引入我们设计的一种多尺度注意力融合模块，该模块将输入张量和其对应的残差张量相加，然后分别通过局部细节注意力、不同尺度的上下文信息处理以及全局注意力子模块来捕获和增强不同层次的特征信息。最后，利用sigmoid激活函数生成权重系数，并将这些权重应用到输入张量和残差张量上，生成最终的输出特征张量。整个过程有效地提升了模型对mri脑肿瘤等医学图像的分割精度和感知能力。
6.根据权利要求1所述的基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：所述步骤s3中，使用单个网络实现脑肿瘤的任务分割利用注意力机制，对粗分割结果中的小目标区域进行精细化处理。通过定义了两个模块：af和cams。首先，af模块实现了级联注意力机制，通过两个3d卷积层和一个sigmoid激活函数，对输入的特征张量进行特征提取、归一化和映射，最终生成处理后的特征张量。然后，cams模型利用两个af模块，按通道切分输入张量，将分割后的通道输入到af模块中进行处理，从而实现细分割任务。
7.根据权利要求1所述的基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：所述步骤s4中，在模型搭建完成后，使用brats2020训练集对模型进行训练，并保存训练过程中的最佳模型以进行预测。
8.根据权利要求8所述的基于多尺度注意力机制与二次分割策略的mri脑肿瘤分割方法，其特征在于：使用brats2020验证集上训练的最佳模型进行预测，随后通过在线验证获取各种评估指标，并进行实验结果的比较和分析。
