基于磁共振扩散张量成像的腰骶丛神经根分割方法、介质和设备

    公开(公告)号:CN118172357B

    公开(公告)日:2025-02-07

    申请号:CN202410453208.2

    申请日:2024-04-15

    Abstract: 本发明公开了一种基于磁共振扩散张量成像的腰骶丛神经根分割方法、介质和设备,首先获取腰骶丛神经DTI影像学DICOM数据,并将其存储为NRRD格式;然后,对DTI数据进行感兴趣区域提取,并将其感兴趣区域标注数据转换为PNG格式的灰度图像存储;最后,将DTI数据及其感兴趣区域标注数据输入到深度学习分割模型中进行训练,并通过训练好的分割模型对腰骶丛神经根进行分割预测。本发明利用了深度学习分割模型以学习更加丰富的图像信息,采用基于窗口和移动窗口的多头自注意力机制来增强模型对于不同分辨率尺度下的全局特征学习能力,并通过结合卷积模块以及小波特征提取模块构造了SwinDW融合模块,以此来更好地融合全局和低频特征;本发明还使用了多尺度特征自适应融合模块将当前编码模块的特征图与不同分辨率尺度下的编码模块特征图进行注意力融合,以此来学习不同尺度编码模块的特征信息,缓解编码器下采样导致的空间信息损失,从而较好地提高了腰骶丛神经根的分割效果。

    基于磁共振扩散张量成像的腰骶丛神经根分割方法、介质和设备

    公开(公告)号:CN118172357A

    公开(公告)日:2024-06-11

    申请号:CN202410453208.2

    申请日:2024-04-15

    Abstract: 本发明公开了一种基于磁共振扩散张量成像的腰骶丛神经根分割方法、介质和设备,首先获取腰骶丛神经DTI影像学DICOM数据,并将其存储为NRRD格式;然后,对DTI数据进行感兴趣区域提取,并将其感兴趣区域标注数据转换为PNG格式的灰度图像存储;最后,将DTI数据及其感兴趣区域标注数据输入到深度学习分割模型中进行训练,并通过训练好的分割模型对腰骶丛神经根进行分割预测。本发明利用了深度学习分割模型以学习更加丰富的图像信息,采用基于窗口和移动窗口的多头自注意力机制来增强模型对于不同分辨率尺度下的全局特征学习能力,并通过结合卷积模块以及小波特征提取模块构造了SwinDW融合模块,以此来更好地融合全局和低频特征;本发明还使用了多尺度特征自适应融合模块将当前编码模块的特征图与不同分辨率尺度下的编码模块特征图进行注意力融合,以此来学习不同尺度编码模块的特征信息,缓解编码器下采样导致的空间信息损失,从而较好地提高了腰骶丛神经根的分割效果。

Patent Agency Ranking