(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111644756.6 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 114332535 A (43)申请公布日 2022.04.12 (73)专利权人 宁波大学 地址 315211 浙江省宁波市江北区风 华路 818号 (72)发明人 蓝姝洁　高琳琳　张哲昊　寿亿锒　 禚世豪　 (74)专利代理 机构 宁波诚源专利事务所有限公 司 33102 专利代理师 邓青玲　方宁 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) 审查员 宋泽宇 (54)发明名称 基于高分辨率的互补注意力UNet分类器的 sMRI图像分类方法 (57)摘要 本发明涉及一种基于高分辨率的互补注意 力UNet分类器的sMRI图像分类方法， 其特征在 于： 获取一定数量的sMRI图像及其标签， 对所有 的sMRI图像进行预处理， 形成样本集； 将样本集 分成训练集、 验证集和测试集； 构建网络模型并 对其进行训练和验证， 其中构建的网络模型是通 过在现有Unet网络中插入特征融合网络和分类 网络， 设计的特征融合网络是为了给U net网络的 编码器补 充语义信息并给解码器补充细节信息； 分类网络的目的是能有效地融合多语义特征图， 从而提高网络的表达能力并实现分类； 最后通过 将测试集中的待测试图像输入到最优的网络模 型中， 即得到待测试图像的分类结果。 因此该分 类方法简单且提高了分类准确率。 权利要求书2页 说明书6页 附图1页 CN 114332535 B 2022.07.15 CN 114332535 B 1.一种基于高分辨率的互补注意力UNet分类器的sMRI 图像分类方法， 其特征在于： 包 括以下步骤： 步骤1、 获取一定数量的sMRI图像及其标签， 对所有的sMRI图像进行预处理， 形成样本 集； 步骤2、 将 样本集分成训练集、 验证集和 测试集； 步骤3、 构 建网络模型； 构 建的网络模型包括Unet网络、 特征融合网络和分类网络； 其中 Unet网络包括具有N个第一特征提取层和N个下采样层的编码 器以及具有N +1个第二特征提 取层和N个上采样层的解码器； 特 征融合网络为 N个； N为正整数； 其中编码器的具体结构为： 依次相连接的第1个第一特征提取层、 第1个下采样层、 第2 个第一特征提取层、 第2个下采样层 …第N个第一特征提取层、 第N个下采样层； 第1个第一特 征提取层的输入端对应为构建的网络模型的输入端； 解码器的具体结构为： 解码器 中第1个第二特征提取层的输入端与第 N个下采样层的输 出端相连接， 第1个第二特征提取层的输出端与第1个上采样层的输入端相连接， 第1个上采 样层的输出端与第1个特征融合网络的输入端相连接， 并且编 码器中输出与第1个上采样层 输出特征图尺寸大小相同的第一特征提取层的输出端也与第1个特征融合网络的输入端相 连接； 第n个特征融合网络的输出端与解码器 中的第n+1个第二特征提取层的输入端相连接， 第n+1个第二特征提取层的输出端与第n +1个上采样层相连接， 第n +1个上采样层与第n +1个 特征融合网络的输入端相连接， 并且编码器中输出与该第n+1个上采样层输出特征图尺寸 大小相同的第一特征提取层的输出端也与第n+1个特征融合网络的输入端相连接； 依次将n 取值为1、 2、…、 N‑1， 之后将第N个特征融合网络的输出端与解码 器中的第N +1个第二特征提 取层的输入端相连接； 最后将N+1个第二特征提取层的输出端均与分类网络的输入端相连 接， 分类网络的输出端即对应为构建的网络模型的输出端； 上述每个特征融合网络的结构相同， 均包括特征融合块、 语义注意力块和细节注意力 块； 特征融合块用于融合编码器中某一个第一特征提取层输出的特征图Fe和解码器中某一 个上采样层输出与Fe尺寸相同的特征图Fd， 得到融合后的特征图Ff； 并将特征图Ff分别输入 到语义注意力块和细节注意力块中得到语义注意力图Ms和细节注意力图Md； 最终融合Fe、 Fd、 Ms和Md得到特征融合网络 输出的特 征图F； Ms＝Sigmoid(MLP(GAP(Co nv2(Ff))) Md＝Sigmoid((Conv3(Ff))) 其中， Conv1表示卷积核大小为1 ×1×1和步长为1的卷积操作； 表示元素的加法； Relu 为激活函数； Conv2表示卷积核大小为1 ×1×1， 步长为1的卷积运算操作； GAP表示全局平均 池化操作； MLP表示多层感知 器； Sigmoid表示激活函数； Conv3表示卷积核大小为1 ×1×1和 步长为1的卷积操作； 表示元素的乘法； 表示 后得到 的特征图和 得到的特 征图沿通道维度的连接操作； 分类网络的结构为： 先按照先后 顺序将相邻解码器输出的相邻 两特征图依次进行卷积权　利　要　求　书 1/2 页 2 CN 114332535 B 2和拼接得到第一父节 点， 并按照先后顺序将相邻的第一父节点再依次进 行卷积和拼接得到 第二父节点， 依次类推， 直至最终得到一个根节点； 最后将根节点依次进行卷积、 全局平均 池化操作和全连接操作， 即得到分类网络 输出的分类结果； 步骤4、 将训练集中所有的样本图像分批次输入到步骤3中构建的网络模型中进行训 练， 并使用验证集中所有样 本图像验证训练后的网络模型性能； 经过多次训练与验证后， 筛 选出最优的网络模型； 步骤5、 将测试集中的待测试图像输入到最优的网络模型中， 即得到待测试图像的分类 结果。 2.根据权利要求1所述的sMRI 图像分类方法， 其特征在于： 所述编码器中第1个第一特 征提取层 包括依次相连接的第一卷积操作、 最大池化操作和 第二卷积操作； 其他的n ‑1个第 一特征提取层均包括第三卷积 操作。 3.根据权利要求2所述的sMRI图像分类方法， 其特征在于： 所述解码器 中每个第二特征 提取层均包括第四卷积 操作。 4.根据权利要求1～3任一项所述的sMRI图像分类方法， 其特征在于： 所述解码器中每 个上采样层包括上采样 操作和第五卷积 操作。权　利　要　求　书 2/2 页 3 CN 114332535 B 3