开云优惠体育网页版入口

专利名称：一种基于人工智能的肿瘤分割方法

专利类型：发明专利

专利申请号：CN202410930896.7

专利申请（专利权）人：西南医科大学附属医院
权利人地址：四川省泸州市太平街25号

专利发明（设计）人：发明人:钟芳芳,刘春艳,王鑫蕊,陈红英,郭渠莲,刘文君

专利摘要：本发明公开了一种基于人工智能的肿瘤分割方法，属于数据处理技术领域，通过图像处理技术和机器学习算法，构建了一个高效人工智能模型，该人工智能模块可以智能的识别以及分割肿瘤，与传统方法相比，具有更高的准确性和灵敏度；然后搭配多层搜索算法对所述人工智能模型对应的超参数进行优化，能够使人工智能准确地完成分割任务；此外，通过不断更新和优化检测算法，可以适应不同类型肿瘤的识别需求，显著提高检测效率和准确性，降低误诊率，从而提供可靠的辅助诊断工具。

主权利要求：
1.一种基于人工智能的肿瘤分割方法，其特征在于，包括：
构建第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块；
将第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块融合，得到用于分割肿瘤的人工智能模型；
初始化人工智能模型所对应的损失函数，根据所述损失函数并采用多层搜索算法对所述人工智能模型对应的超参数进行优化，得到优化之后的人工智能模型；
获取待分割肿瘤CT图像，并采用优化之后的人工智能模型对所述待分割肿瘤CT图像进行分割，得到肿瘤分割结果；
所述第一多尺度注意力处理模块包括顺次连接的第一多尺度卷积单元、第一权重增强注意力单元、第一裁剪层、第一拼接层、第二多尺度卷积单元、第二权重增强注意力单元以及第三多尺度卷积单元；
其中，所述第一权重增强注意力单元的输出作为第二多尺度注意力处理模块的输入；
所述第一裁剪层用于以第一权重增强注意力单元输出的特征图中心为基。拥谝蝗ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲诙多尺度注意力处理模块输出的特征图大小相同的特征图；第一拼接层用于将第一裁剪层输出的特征图与第二多尺度注意力处理模块输出的特征图拼接在一起；
所述第二多尺度注意力处理模块包括顺次连接的第一最大池化层、第四多尺度卷积单元、第三权重增强注意力单元、第二裁剪层、第二拼接层、第五多尺度卷积单元、第四权重增强注意力单元以及第一反卷积层；
其中，所述第三权重增强注意力单元的输出作为第三多尺度注意力处理模块的输入；
所述第二裁剪层用于以第三权重增强注意力单元输出的特征图中心为基。拥谌ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谌喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏诙拼接层用于将第二裁剪层输出的特征图与第三多尺度注意力处理模块输出的特征图拼接在一起；
所述第三多尺度注意力处理模块包括顺次连接的第二最大池化层、第六多尺度卷积单元、第五权重增强注意力单元、第三裁剪层、第三拼接层、第七多尺度卷积单元、第六权重增强注意力单元以及第二反卷积层；
其中，所述第五权重增强注意力单元的输出作为第四多尺度注意力处理模块的输入；
所述第三裁剪层用于以第五权重增强注意力单元输出的特征图中心为基。拥谖迦ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谒亩喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏谌唇硬阌糜诮谌眉舨闶涑龅奶卣魍加氲谒亩喑叨茸⒁饬Υ砟？槭涑龅奶卣魍计唇釉谝黄穑
所述第四多尺度注意力处理模块包括顺次连接的第三最大池化层、第八多尺度卷积单元、第七权重增强注意力单元、第四裁剪层、第四拼接层、第九多尺度卷积单元、第八权重增强注意力单元以及第三反卷积层；
其中，所述第七权重增强注意力单元的输出作为第五多尺度注意力处理模块的输入；
所述第四裁剪层用于以第七权重增强注意力单元输出的特征图中心为基。拥谄呷ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谖宥喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏谒钠唇硬阌糜诮谒牟眉舨闶涑龅奶卣魍加氲谖宥喑叨茸⒁饬Υ砟？槭涑龅奶卣魍计唇釉谝黄穑
所述第五多尺度注意力处理模块包括顺次连接的第四最大池化层、第十多尺度卷积单元、第十一多尺度卷积单元以及第四反卷积层；
所述第四最大池化层以第七权重增强注意力单元的输出作为输入，所述第四反卷积层的输出作为第四拼接层的输入；
所述第一多尺度卷积单元至第十一多尺度卷积单元的结构相同，且均包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一批归一化层、第二批归一化层、第三批归一化层、第四批归一化层、第五卷积层、均值池化层、第五批归一化层、第六批归一化层以及第五拼接层；
所述第一卷积层、第二卷积层、第三卷积层以及第四卷积层共同接收外部输入，所述第五拼接层用于将第一批归一化层、第五批归一化层、第六批归一化层以及第四批归一化层的输出在通道维度上拼接后并输出；
所述第一权重增强注意力单元至第八权重增强注意力单元的结构相同，且均包括顺次连接的全局均值池化层、第一全连接层、ReLU激活函数层、第二全连接层、Sigmoid激活函数层以及第六拼接层；
所述全局均值池化层，用于将H×W×C的特征图压缩为1×1×C的特征图；其中，H表示特征图的高，W表示特征图的宽，C表示特征图的维度；
所述第一全连接层，用于将1×1×C的特征图降维为1×1×C/r的特征图；其中，r表示用于降维的参数；
所述ReLU激活函数层，用于1×1×C/r的特征图构建通道之间的相关性；
所述第二全连接层，用于将激活通道相关的特征图恢复为1×1×C的特征图；
所述Sigmoid激活函数层，用于激活第二全连接层产生的1×1×C的特征图在通道维度上的特征，并产生每个通道的权重；
所述第六拼接层，用于将Sigmoid激活函数层输出的特征图中的特征按照权重，并通过乘法逐通道加权到H×W×C的特征图中，实现权重增强的注意力处理。
2.根据权利要求1所述的基于人工智能的肿瘤分割方法，其特征在于，所述损失函数为：其中， 表示损失函数， 表示采用人工智能模型分割获取的肿瘤分割结果所对应的平均亮度， 表示期望肿瘤分割结果的平均亮度， 表示小于0.00001的第一随机数， 表示小于0.00001的第二随机数， 表示采用人工智能模型分割获取的肿瘤分割结果所对应的亮度标准差， 表示期望肿瘤分割结果的亮度标准差。
3.根据权利要求2所述的基于人工智能的肿瘤分割方法，其特征在于，根据所述损失函数并采用多层搜索算法对所述人工智能模型对应的超参数进行优化，得到优化之后的人工智能模型，包括：A1、初始化所述人工智能模型对应的超参数，并将初始化的超参数构成一个向量，得到超参数向量；
A2、重复获取多个超参数向量；
A3、根据所述损失函数，确定每个超参数向量对应的损失函数；
A4、针对每个超参数向量，采用自适应区域探索策略对每个超参数向量进行自适应搜索，得到自适应搜索之后的超参数向量，包括：确定搜索范围为：
其中， 表示衰减系数， 表示第t次优化过程中的搜索范围， 表示第t+1次优化过程中的搜索范围，在初始时刻设置有初始的搜索范围；
判断超参数向量对应的损失函数值是否小于或等于其历史最优损失函数值，若是，则保持搜索步长不变，否则根据当前优化次数获取自适应搜索步长为：其中， 表示第t次优化过程中的搜索步长，T表示最大优化步长， 表示第t+1化过程中的搜索步长；
以所述搜索范围为基。范ㄋ阉魑恢梦：
其中， 表示第一搜索位置， 表示第二搜索位置， 表示第t次优化过程中的第i个超参数向量，i=1,2,…,I，I表示超参数向量的总数； 表示搜索方向向量，所述搜索方向向量的维度与超参数向量的维度相同，且每个维度均在（?1,1）之间的随机数；
以所述自适应搜索步长以及搜索位置为基。猿问蛄拷兴阉魑：
其中， 表示自适应搜索之后的超参数向量 ， 表示第一搜索位置对应的损失函数， 表示第二搜索位置对应的损失函数；sign表示符号函数，当 ?小于0时，则取1；当 ? 大于0时，则取?1，其余情况取0；
A5、针对自适应搜索之后的超参数向量，重新获取超参数向量对应的损失函数值，并根据所述损失函数值确定最优超参数向量；
A6、根据所述最优超参数向量，采用信息交互策略对自适应搜索之后的超参数向量进行引导均衡搜索，得到均衡搜索之后的超参数向量，包括：其中， 表示第t次优化过程中的第j个自适应搜索之后的超参数向量，j=1,2,…,I，表示超参数向量 在第t+1优化过程中的更新量， 表示均衡搜索之后的超参数向量 ， 表示惯性权重， 表示超参数向量 在第t优化过程中的更新量，表示[0,1]内均匀分布的随机数， 表示[0,1]内均匀分布的随机数， 表示[0,1]内均匀分布的随机数， 表示交互控制因子； 表示精英向量，即损失函数值最小的向量中的任一个，且 与不同； 表示所有超参数向量对应的均值向量， 表示最优超参数向量；
A7、采用反向学习策略对均衡搜索之后的超参数向量进行全局搜索，并采用贪心策略控制全局搜索过程，得到全局搜索之后的超参数向量；
A8、判断当前优化次数是否大于或等于最大优化次数，若是，则重新获取最优超参数向量，并将最优超参数向量作为人工智能模型的最终超参数，得到优化之后的人工智能模型，否则返回步骤A3，进行下一次优化。 说明书 : 一种基于人工智能的肿瘤分割方法技术领域[0001] 本发明属于数据处理技术领域，具体涉及一种基于人工智能的肿瘤分割方法。背景技术[0002] 目前，影像学检查是临床中筛查肿瘤最重要的手段。对于肿瘤，最常用的影像学检查方式为电子计算机断层扫描(Computedtomography,CT)。CT作为一种断层成像技术，可以将人体组织断层成像，能清晰的显示人体组织结构的细微差别，并且能通过CT图像发现异常组织。另外，CT检查对于高密度的组织比较敏感，能观察到异常组织的边缘、大小、位置等情况，同时CT检查还具有时间短、费用低等优势。因此，CT被认为是肿瘤最重要的检查方式。[0003] 由于肿瘤CT图像中由于病灶组织结构复杂、边界：、形态不规则以及大小不一，并且病灶通常与周围的脂肪和血管相连，从而导致分割准确率低的问题。发明内容[0004] 本发明提供一种基于人工智能的肿瘤分割方法，用以解决现有技术对肿瘤分割准确率较低的技术问题。[0005] 一种基于人工智能的肿瘤分割方法，包括：[0006] 构建第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块；[0007] 将第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块融合，得到用于分割肿瘤的人工智能模型；[0008] 初始化人工智能模型所对应的损失函数，根据所述损失函数并采用多层搜索算法对所述人工智能模型对应的超参数进行优化，得到优化之后的人工智能模型；[0009] 获取待分割肿瘤CT图像，并采用优化之后的人工智能模型对所述待分割肿瘤CT图像进行分割，得到肿瘤分割结果。[0010] 进一步地，所述第一多尺度注意力处理模块包括顺次连接的第一多尺度卷积单元、第一权重增强注意力单元、第一裁剪层、第一拼接层、第二多尺度卷积单元、第二权重增强注意力单元以及第三多尺度卷积单元；[0011] 其中，所述第一权重增强注意力单元的输出作为第二多尺度注意力处理模块的输入；所述第一裁剪层用于以第一权重增强注意力单元输出的特征图中心为基。拥谝蝗ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲诙多尺度注意力处理模块输出的特征图大小相同的特征图；第一拼接层用于将第一裁剪层输出的特征图与第二多尺度注意力处理模块输出的特征图拼接在一起。[0012] 进一步地，所述第二多尺度注意力处理模块包括顺次连接的第一最大池化层、第四多尺度卷积单元、第三权重增强注意力单元、第二裁剪层、第二拼接层、第五多尺度卷积单元、第四权重增强注意力单元以及第一反卷积层；[0013] 其中，所述第三权重增强注意力单元的输出作为第三多尺度注意力处理模块的输入；所述第二裁剪层用于以第三权重增强注意力单元输出的特征图中心为基。拥谌ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谌喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏诙拼接层用于将第二裁剪层输出的特征图与第三多尺度注意力处理模块输出的特征图拼接在一起。[0014] 进一步地，所述第三多尺度注意力处理模块包括顺次连接的第二最大池化层、第六多尺度卷积单元、第五权重增强注意力单元、第三裁剪层、第三拼接层、第七多尺度卷积单元、第六权重增强注意力单元以及第二反卷积层；[0015] 其中，所述第五权重增强注意力单元的输出作为第四多尺度注意力处理模块的输入；所述第三裁剪层用于以第五权重增强注意力单元输出的特征图中心为基。拥谖迦ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谒亩喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏谌唇硬阌糜诮谌眉舨闶涑龅奶卣魍加氲谒亩喑叨茸⒁饬Υ砟？槭涑龅奶卣魍计唇釉谝黄。[0016] 进一步地，所述第四多尺度注意力处理模块包括顺次连接的第三最大池化层、第八多尺度卷积单元、第七权重增强注意力单元、第四裁剪层、第四拼接层、第九多尺度卷积单元、第八权重增强注意力单元以及第三反卷积层；[0017] 其中，所述第七权重增强注意力单元的输出作为第五多尺度注意力处理模块的输入；所述第四裁剪层用于以第七权重增强注意力单元输出的特征图中心为基。拥谄呷ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谖宥喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏谒钠唇硬阌糜诮谒牟眉舨闶涑龅奶卣魍加氲谖宥喑叨茸⒁饬Υ砟？槭涑龅奶卣魍计唇釉谝黄。[0018] 进一步地，所述第五多尺度注意力处理模块包括顺次连接的第四最大池化层、第十多尺度卷积单元、第十一多尺度卷积单元以及第四反卷积层；[0019] 所述第四最大池化层以第七权重增强注意力单元的输出作为输入，所述第四反卷积层的输出作为第四拼接层的输入。[0020] 进一步地，所述第一多尺度卷积单元至第十一多尺度卷积单元的结构相同，且均包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一批归一化层、第二批归一化层、第三批归一化层、第四批归一化层、第五卷积层、均值池化层、第五批归一化层、第六批归一化层以及第五拼接层；[0021] 所述第一卷积层、第二卷积层、第三卷积层以及第四卷积层共同接收外部输入，所述第五拼接层用于将第一批归一化层、第五批归一化层、第六批归一化层以及第四批归一化层的输出在通道维度上拼接后并输出。[0022] 进一步地，所述第一权重增强注意力单元至第八权重增强注意力单元的结构相同，且均包括顺次连接的全局均值池化层、第一全连接层、ReLU激活函数层、第二全连接层、Sigmoid激活函数层以及第六拼接层；[0023] 所述全局均值池化层，用于将H×W×C的特征图压缩为1×1×C的特征图；其中，H表示特征图的高，W表示特征图的宽，C表示特征图的维度；[0024] 所述第一全连接层，用于将1×1×C的特征图降维为1×1×C/r的特征图；其中，r表示用于降维的参数；[0025] 所述ReLU激活函数层，用于1×1×C/r的特征图构建通道之间的相关性；[0026] 所述第二全连接层，用于将激活通道相关的特征图恢复为1×1×C的特征图；[0027] 所述Sigmoid激活函数层，用于激活第二全连接层产生的1×1×C的特征图在通道维度上的特征，并产生每个通道的权重；[0028] 所述第六拼接层，用于将Sigmoid激活函数层输出的特征图中的特征按照权重，并通过乘法逐通道加权到H×W×C的特征图中，实现权重增强的注意力处理。[0029] 进一步地，所述损失函数为：[0030][0031] 其中， 表示损失函数， 表示采用人工智能模型分割获取的肿瘤分割结果所对应的平均亮度， 表示期望肿瘤分割结果的平均亮度， 表示小于0.00001的第一随机数，表示小于0.00001的第二随机数， 表示采用人工智能模型分割获取的肿瘤分割结果所对应的亮度标准差， 表示期望肿瘤分割结果的亮度标准差。[0032] 进一步地，根据所述损失函数并采用多层搜索算法对所述人工智能模型对应的超参数进行优化，得到优化之后的人工智能模型，包括：[0033] A1、初始化所述人工智能模型对应的超参数，并将初始化的超参数构成一个向量，得到超参数向量；[0034] A2、重复获取多个超参数向量；[0035] A3、根据所述损失函数，确定每个超参数向量对应的损失函数；[0036] A4、针对每个超参数向量，采用自适应区域探索策略对每个超参数向量进行自适应搜索，得到自适应搜索之后的超参数向量，包括：[0037] 确定搜索范围为：[0038][0039] 其中，表示衰减系数， 表示第t次优化过程中的搜索范围， 表示第t+1次优化过程中的搜索范围，在初始时刻设置有初始的搜索范围；[0040] 判断超参数向量对应的损失函数值是否小于或等于其历史最优损失函数值，若是，则保持搜索步长不变，否则根据当前优化次数获取自适应搜索步长为：[0041][0042] 其中， 表示第t次优化过程中的搜索步长，T表示最大优化步长， 表示第t+1化过程中的搜索步长；[0043] 以所述搜索范围为基。范ㄋ阉魑恢梦：[0044][0045][0046] 其中， 表示第一搜索位置， 表示第二搜索位置， 表示第t次优化过程中的第i个超参数向量，i=1,2,…,I，I表示超参数向量的总数； 表示搜索方向向量，所述搜索方向向量的维度与超参数向量的维度相同，且每个维度均在（?1,1）之间的随机数；[0047] 以所述自适应搜索步长以及搜索位置为基。猿问蛄拷兴阉魑：[0048][0049] 其中， 表示自适应搜索之后的超参数向量 ， 表示第一搜索位置对应的损失函数， 表示第二搜索位置对应的损失函数；sign表示符号函数，当 ?小于0时，则取1；当 ? 大于0时，则取?1，其余情况取0；[0050] A5、针对自适应搜索之后的超参数向量，重新获取超参数向量对应的损失函数值，并根据所述损失函数值确定最优超参数向量；[0051] A6、根据所述最优超参数向量，采用信息交互策略对自适应搜索之后的超参数向量进行引导均衡搜索，得到均衡搜索之后的超参数向量，包括：[0052][0053][0054] 其中， 表示第t次优化过程中的第j个自适应搜索之后的超参数向量，j=1,2,…,I， 表示超参数向量 在第t+1优化过程中的更新量， 表示均衡搜索之后的超参数向量 ， 表示惯性权重， 表示超参数向量 在第t优化过程中的更新量， 表示[0,1]内均匀分布的随机数， 表示[0,1]内均匀分布的随机数， 表示[0,1]内均匀分布的随机数， 表示交互控制因子； 表示精英向量，即损失函数值最小的向量中的任一个，且 与 不同； 表示所有超参数向量对应的均值向量， 表示最优超参数向量；[0055] A7、采用反向学习策略对均衡搜索之后的超参数向量进行全局搜索，并采用贪心策略控制全局搜索过程，得到全局搜索之后的超参数向量；[0056] A8、判断当前优化次数是否大于或等于最大优化次数，若是，则重新获取最优超参数向量，并将最优超参数向量作为人工智能模型的最终超参数，得到优化之后的人工智能模型，否则返回步骤A3，进行下一次优化。[0057] 本发明提供的一种基于人工智能的肿瘤分割方法，通过图像处理技术和机器学习算法，构建了一个高效人工智能模型，该人工智能模块可以智能的识别以及分割肿瘤，与传统方法相比，具有更高的准确性和灵敏度；然后搭配多层搜索算法对所述人工智能模型对应的超参数进行优化，能够使人工智能准确地完成分割任务；此外，通过不断更新和优化检测算法，可以适应不同类型肿瘤的识别需求，显著提高检测效率和准确性，降低误诊率，从而提供可靠的辅助诊断工具。附图说明[0058] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。[0059] 图1为本发明实施例提供的一种基于人工智能的肿瘤分割方法的流程图。[0060] 图2为本发明实施例提供的人工智能模型的结构示意图。[0061] 图3为本发明实施例提供的第一多尺度卷积单元至第十一多尺度卷积单元的结构示意图。[0062] 图4为本发明实施例提供的第一权重增强注意力单元至第八权重增强注意力单元的结构示意图。[0063] 通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。具体实施方式[0064] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。[0065] 下面结合附图详细说明本发明的实施例。[0066] 如图1?4共同所示，本发明实施例提供一种基于人工智能的肿瘤分割方法，包括：[0067] S101、构建第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块。[0068] 针对现有技术对肿瘤CT图像分割准确率较低的问题，本发明实施例构建了第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块，可以通过这些多尺度注意力处理模块增强特征提取效果，提取肿瘤CT图像中病灶不同尺度下的空间特征，从而丰富特征空间的多样性，并且提高分割准确率。[0069] S102、将第一多尺度注意力处理模块、第二多尺度注意力处理模块、第三多尺度注意力处理模块、第四多尺度注意力处理模块以及第五多尺度注意力处理模块融合，得到用于分割肿瘤的人工智能模型。[0070] 值得说明的是，除了采用本发明实施例构建的人工智能模型之外，还可以其他的分割模型，并采用本发明实施例提供的多层搜索算法对分割模型进行搜索，同样能够一定程度上提高分割精度。[0071] S103、初始化人工智能模型所对应的损失函数，根据所述损失函数并采用多层搜索算法对所述人工智能模型对应的超参数进行优化，得到优化之后的人工智能模型；[0072] 在现有的优化算法中，对超参数优化能力差，从而导致分割精度较低，为了实现较高的分割精度，本发明实施例提供一种多层搜索算法对人工智能模型进行优化，从而提高参数优化的效果。[0073] S104、获取待分割肿瘤CT图像，并采用优化之后的人工智能模型对所述待分割肿瘤CT图像进行分割，得到肿瘤分割结果。[0074] 肿瘤CT图像可以为胸腔CT图像、脑部CT图像等等，通过优化之后的人工智能模型对所述待分割肿瘤CT图像进行分割，能够有效地提高肿瘤分割精度。[0075] 本发明提供的一种基于人工智能的肿瘤分割方法，通过图像处理技术和机器学习算法，构建了一个高效人工智能模型，该人工智能模块可以智能的识别以及分割肿瘤，与传统方法相比，具有更高的准确性和灵敏度；然后搭配多层搜索算法对所述人工智能模型对应的超参数进行优化，能够使人工智能准确地完成分割任务；此外，通过不断更新和优化检测算法，可以适应不同类型肿瘤的识别需求，显著提高检测效率和准确性，降低误诊率，从而提供可靠的辅助诊断工具。[0076] 如图2所示，本发明实施例提供了一种人工智能模型的结构示意图，具体结构如下所述。[0077] 在本发明实施例中，所述第一多尺度注意力处理模块包括顺次连接的第一多尺度卷积单元、第一权重增强注意力单元、第一裁剪层、第一拼接层、第二多尺度卷积单元、第二权重增强注意力单元以及第三多尺度卷积单元；[0078] 其中，所述第一权重增强注意力单元的输出作为第二多尺度注意力处理模块的输入；所述第一裁剪层用于以第一权重增强注意力单元输出的特征图中心为基。拥谝蝗ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲诙多尺度注意力处理模块输出的特征图大小相同的特征图；第一拼接层用于将第一裁剪层输出的特征图与第二多尺度注意力处理模块输出的特征图拼接在一起。[0079] 在本发明实施例中，所述第二多尺度注意力处理模块包括顺次连接的第一最大池化层、第四多尺度卷积单元、第三权重增强注意力单元、第二拼接层、第五多尺度卷积单元、第四权重增强注意力单元以及第一反卷积层；[0080] 其中，所述第三权重增强注意力单元的输出作为第三多尺度注意力处理模块的输入；所述第二裁剪层用于以第三权重增强注意力单元输出的特征图中心为基。拥谌ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谌喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏诙拼接层用于将第二裁剪层输出的特征图与第三多尺度注意力处理模块输出的特征图拼接在一起。[0081] 在本发明实施例中，所述第三多尺度注意力处理模块包括顺次连接的第二最大池化层、第六多尺度卷积单元、第五权重增强注意力单元、第三裁剪层、第三拼接层、第七多尺度卷积单元、第六权重增强注意力单元以及第二反卷积层；[0082] 其中，所述第五权重增强注意力单元的输出作为第四多尺度注意力处理模块的输入；所述第三裁剪层用于以第五权重增强注意力单元输出的特征图中心为基。拥谖迦ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谒亩喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏谌唇硬阌糜诮谌眉舨闶涑龅奶卣魍加氲谒亩喑叨茸⒁饬Υ砟？槭涑龅奶卣魍计唇釉谝黄。[0083] 在本发明实施例中，所述第四多尺度注意力处理模块包括顺次连接的第三最大池化层、第八多尺度卷积单元、第七权重增强注意力单元、第四裁剪层、第四拼接层、第九多尺度卷积单元、第八权重增强注意力单元以及第三反卷积层；[0084] 其中，所述第七权重增强注意力单元的输出作为第五多尺度注意力处理模块的输入；所述第四裁剪层用于以第七权重增强注意力单元输出的特征图中心为基。拥谄呷ㄖ卦銮孔⒁饬Φピ涑龅奶卣魍贾胁眉舫鲇氲谖宥喑叨茸⒁饬Υ砟？槭涑龅奶卣魍即笮∠嗤奶卣魍迹坏谒钠唇硬阌糜诮谒牟眉舨闶涑龅奶卣魍加氲谖宥喑叨茸⒁饬Υ砟？槭涑龅奶卣魍计唇釉谝黄。[0085] 在本发明实施例中，所述第五多尺度注意力处理模块包括顺次连接的第四最大池化层、第十多尺度卷积单元、第十一多尺度卷积单元以及第四反卷积层；[0086] 所述第四最大池化层以第七权重增强注意力单元的输出作为输入，所述第四反卷积层的输出作为第四拼接层的输入。[0087] 在本发明实施例中，通过最大池化层对数据进行下采样，从而使数据维度下降一半，通过不同的多尺度注意力处理模块对特征进行提取之后，再通过反卷积层进行上采样，使每一级输出的特征图与上一级输出的特征图的尺寸相同（如：使第二多尺度注意力处理模块输出的特征图与第一多尺度注意力处理模块输出的特征图的尺寸相同），通过多尺度的特征提取以及融合，可以有效地增加特征量，从而提高分割准确率。[0088] 如图3所示，所述第一多尺度卷积单元至第十一多尺度卷积单元的结构相同，且均包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一批归一化层、第二批归一化层、第三批归一化层、第四批归一化层、第五卷积层、均值池化层、第五批归一化层、第六批归一化层以及第五拼接层；[0089] 所述第一卷积层、第二卷积层、第三卷积层以及第四卷积层共同接收外部输入，所述第五拼接层用于将第一批归一化层、第五批归一化层、第六批归一化层以及第四批归一化层的输出在通道维度上拼接后并输出。[0090] 可选的，第一卷积层、第二卷积层以及第三卷积层的大小设置为1×1，第四卷积层以及第五卷积层的大小设置为3×3。[0091] 随着编码阶段网络逐渐加深以及特征图通过下采样之后分辨率不断降低，一些较小病灶的位置信息在特征提取时可能存在丢失的情况。使用多尺度卷积增加卷积核的感受野从而提取肿瘤不同尺度下的特征，提取更丰富的局部信息，从而为解码阶段提供更丰富的特征。[0092] 如图4所示，所述第一权重增强注意力单元至第八权重增强注意力单元的结构相同，且均包括顺次连接的全局均值池化层、第一全连接层、ReLU激活函数层、第二全连接层、Sigmoid激活函数层以及第六拼接层；[0093] 所述全局均值池化层，用于将H×W×C的特征图压缩为1×1×C的特征图；其中，H表示特征图的高，W表示特征图的宽，C表示特征图的维度；[0094] 所述第一全连接层，用于将1×1×C的特征图降维为1×1×C/r的特征图；其中，r表示用于降维的参数；[0095] 所述ReLU激活函数层，用于1×1×C/r的特征图构建通道之间的相关性；[0096] 所述第二全连接层，用于将激活通道相关的特征图恢复为1×1×C的特征图；[0097] 所述Sigmoid激活函数层，用于激活第二全连接层产生的1×1×C的特征图在通道维度上的特征，并产生每个通道的权重；[0098] 所述第六拼接层，用于将Sigmoid激活函数层输出的特征图中的特征按照权重，并通过乘法逐通道加权到H×W×C的特征图中，实现权重增强的注意力处理。[0099] 由于多尺度卷积丰富了特征空间，该特征空间可能包含了非病灶的特征，从而增加了编码阶段检测病灶的难度，使得分割准确率低，再加上临床实践中，肿瘤CT图像中病灶受周围脂肪、血管以及噪声的影响导致多尺度卷积核提取的特征中可能存在特征冗余问题。本发明实施例提出权重增强的注意力机制对不同尺度下的空间特征进行降维和加权，以增强肿瘤特征的权重，提高肿瘤特征的表达能力。[0100] 在本发明实施例中，所述损失函数为：[0101][0102] 其中， 表示损失函数， 表示采用人工智能模型分割获取的肿瘤分割结果所对应的平均亮度， 表示期望肿瘤分割结果的平均亮度， 表示小于0.00001的第一随机数，表示小于0.00001的第二随机数， 表示采用人工智能模型分割获取的肿瘤分割结果所对应的亮度标准差， 表示期望肿瘤分割结果的亮度标准差。[0103] 值得说明的是，除了上述损失函数之外，还可以引入交叉熵损失函数进行监督训练。[0104] 在现有的优化算法中，对超参数优化能力差，从而导致分割精度较低，为了实现较高的分割精度，本发明实施例引入了一种新的超参数优化算法，不仅可以实现更高的搜索效率，还能够提高搜索精度。[0105] 在本发明实施例中，根据所述损失函数并采用多层搜索算法对所述人工智能模型对应的超参数进行优化，得到优化之后的人工智能模型，包括：[0106] A1、初始化所述人工智能模型对应的超参数，并将初始化的超参数构成一个向量，得到超参数向量。[0107] 例如，可以采用随机初始化的方法，使人工智能模型对应的超参数（如网络层之间的连接权重、阈值）在超参数上限与下限之间随机初始化。为了进一步提高算法收敛速度，还可以采用混沌搜索策略对人工智能模型对应的超参数进行优化，从而提高搜索速度。[0108] A2、重复获取多个超参数向量；[0109] A3、根据所述损失函数，确定每个超参数向量对应的损失函数；[0110] A4、针对每个超参数向量，采用自适应区域探索策略对每个超参数向量进行自适应搜索，得到自适应搜索之后的超参数向量，包括：[0111] 确定搜索范围为：[0112][0113] 其中，表示衰减系数（如0.95）， 表示第t次优化过程中的搜索范围， 表示第t+1次优化过程中的搜索范围，在初始时刻设置有初始的搜索范围；[0114] 在算法前期，需要更大的搜索范围，因此可以设置较大的搜索范围，使超参数向量可以在其邻域内进行大范围搜索，从而提高搜索效率。而在算法后期，通过衰减系数使搜索范围逐渐减。佣岣咚阉骶。[0115] 判断超参数向量对应的损失函数值是否小于或等于其历史最优损失函数值，若是，则保持搜索步长不变，否则根据当前优化次数获取自适应搜索步长为：[0116][0117] 其中， 表示第t次优化过程中的搜索步长，T表示最大优化步长， 表示第t+1化过程中的搜索步长；[0118] 当超参数向量对应的损失函数值小于或等于其历史最优损失函数值时，则证明此时搜索性能较好，因此可以以默认的步长进行搜索，反之则需要对搜索步长进行更新，以减小步长因子，以提高收敛速度，同时也保证了随着算法的迭代，在不断接近最优值时，步长也在逐渐减。蕴嵘惴ǖ木。[0119] 以所述搜索范围为基。范ㄋ阉魑恢梦：[0120][0121][0122] 其中， 表示第一搜索位置， 表示第二搜索位置， 表示第t次优化过程中的第i个超参数向量，i=1,2,…,I，I表示超参数向量的总数； 表示搜索方向向量，所述搜索方向向量的维度与超参数向量的维度相同，且每个维度均在（?1,1）之间的随机数；[0123] 以所述自适应搜索步长以及搜索位置为基。猿问蛄拷兴阉魑：[0124][0125] 其中， 表示自适应搜索之后的超参数向量 ， 表示第一搜索位置对应的损失函数， 表示第二搜索位置对应的损失函数；sign表示符号函数，当 ?小于0时，则取1；当 ? 大于0时，则取?1，其余情况取0；[0126] 通过搜索超参数向量邻域内的位置，并向较优的位置进行搜索，从而可以有效提升算法在邻域内的搜索效率，并提高搜索精度。[0127] A5、针对自适应搜索之后的超参数向量，重新获取超参数向量对应的损失函数值，并根据所述损失函数值确定最优超参数向量；[0128] A6、根据所述最优超参数向量，采用信息交互策略对自适应搜索之后的超参数向量进行引导均衡搜索，得到均衡搜索之后的超参数向量，包括：[0129][0130][0131] 其中， 表示第t次优化过程中的第j个自适应搜索之后的超参数向量，j=1,2,…,I， 表示超参数向量 在第t+1优化过程中的更新量， 表示均衡搜索之后的超参数向量 ， 表示惯性权重， 表示超参数向量 在第t优化过程中的更新量，表示[0,1]内均匀分布的随机数， 表示[0,1]内均匀分布的随机数， 表示[0,1]内均匀分布的随机数， 表示交互控制因子； 表示精英向量，即损失函数值最小的向量中的任一个，且 与 不同； 表示所有超参数向量对应的均值向量， 表示最优超参数向量；[0132] 本发明实施例提供的信息交互策略，能够有效地利用其他向量信息、整体信息以及最优位置信息进行交互，从而可以在有效地进行未知区域探索的同时，进行一定的全局寻优，提高全局搜索的能力，也能够保证收敛精度。[0133] A7、采用反向学习策略对均衡搜索之后的超参数向量进行全局搜索，并采用贪心策略控制全局搜索过程，得到全局搜索之后的超参数向量；[0134] 虽然上面实现了一定程度上的全局搜索，但是在解空间中不能够实现较为全面的全局搜索，而高维度参数求解过程中，通常容易陷入局部最优。因此，本发明实施例先通过反向学习策略学习每个向量的反向位置，然后采用贪心策略控制全局搜索过程，即损失函数值减小则保留该次反向学习，否则拒绝该次反向学习。[0135] A8、判断当前优化次数是否大于或等于最大优化次数，若是，则重新获取最优超参数向量，并将最优超参数向量作为人工智能模型的最终超参数，得到优化之后的人工智能模型，否则返回步骤A3，进行下一次优化。[0136] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD?ROM、光学存储器等）上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。[0137] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。[0138] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。[0139] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。[0140] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。[0141] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

专利地区：四川

专利申请日期：2024-07-12

专利公开日期：2024-10-18

专利公告号：CN118485834B