(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210519765.0 (22)申请日 2022.05.13 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 耿玉水　林雪　赵晶　张雪峰　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 王雪 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于特征提取和注意力机制的MRI图像 分类 方法及系统 (57)摘要 本发明属于图像 分类技术领域， 提供了一种 基于特征提取和注意力机制的MRI图像分类方法 及系统， 包括： 获取MRI图像数据并进行预处理； 利用预先训练好的双线性卷积神经网络模型进 行图像分类； 其中， 所述双线性卷积神经网络模 型， 包括第一网络模型、 第二网络模型 以及分类 器； 所述第一网络模型和所述第二网络模型结构 相同， 具体包括： 卷积层、 第一最大池化层、 残差 块组合单元以及第二最大池化层； 所述残差块组 合单元为多分支卷积残差块； 所述残差块组合单 元和所述第二最大池化层之间添加注 意力机制， 对所述残差块组合单元处理后的MRI图像特征进 行通道注 意力添加权重； 本发明通过在残差单元 结构中在添加小残差块， 解决医学图像数据样本 少且泛化能力 弱的问题。 权利要求书2页 说明书10页 附图2页 CN 115239985 A 2022.10.25 CN 115239985 A 1.基于特 征提取和注意力机制的MRI图像分类方法， 其特 征在于， 包括： 获取MRI图像数据并进行 预处理； 利用预先训练好的双线性卷积神经网络模型进行图像分类； 其中， 所述双线性卷积神经网络模型， 包括第一网络模型、 第二网络模型以及分类器； 所述第一网络模型和所述第二网络模型 结构相同， 具体包括： 卷积层、 最大池化层、 残差块组合单 元以及池化层； 所述残差块组合单 元为多分支卷积残差块； 所述残差块组合单元和所述池化层之间添加注意力 机制， 对所述残差块组合单元处理 后的MRI图像特 征进行通道 注意力添加权 重。 2.如权利要求1所述的基于特征提取和注意力机制的MRI图像分类方法， 其特征在于， 所述获取MRI图像数据并进行 预处理， 包括： 获取MRI图像数据； 基于MRI图像数据得到二维MRI平面图像； 对二维MRI平面图像进行分割， 得到灰质图像、 白质图像以及脑脊液图像； 对灰质图像、 白质图像以及脑脊液图像进行空间标准化和平滑处理， 得到预处理后的 MRI图像。 3.如权利要求1所述的基于特征提取和注意力机制的MRI图像分类方法， 其特征在于， 所述利用预 先训练好的双线性卷积神经网络模型进行图像分类， 包括： 基于预处 理后的MRI图像分成第一MRI图像和第二MRI图像； 第一网络提取第一MRI图像的第一特 征； 第二网络提取第二MRI图像的第二特 征； 将第一特 征和第二特 征进行点积融合， 得到最终的MRI图像特 征； 利用分类 器对最终的MRI图像特 征进行分类， 得到最终的MRI图像分类结果。 4.如权利要求3所述的基于特征提取和注意力机制的MRI图像分类方法， 其特征在于， 所述第一网络提取第一MRI图像的第一特 征， 具体包括： 利用卷积层对第一MRI图像进行 特征提取； 利用最大池化层对提取的第一MRI图像特 征进行降维； 对于降维后的第一MRI图像， 利用残差块组合单 元得到第一MRI图像的多尺度特 征； 利用通道注意力机制对第一MRI图像的多尺度特征添加权重， 得到带有注意力权重的 第一MRI图像的多尺度特 征； 利用池化层对带有注意力权 重的第一MRI图像的多尺度特 征进行降维， 得到第一特 征。 5.如权利要求3所述的基于特征提取和注意力机制的MRI图像分类方法， 其特征在于， 所述第二网络提取第二MRI图像的第二特 征， 具体包括： 利用卷积层对第二MRI图像进行 特征提取； 利用最大池化层对提取的第二MRI图像特 征进行降维； 对于降维后的第二MRI图像， 利用残差块组合单 元得到第二MRI图像的多尺度特 征； 利用通道注意力机制对第二MRI图像的多尺度特征添加权重， 得到带有注意力权重的 第二MRI图像的多尺度特 征； 利用池化层对带有注意力权 重的第二MRI图像的多尺度特 征进行降维， 得到第二特 征。 6.如权利要求4所述的基于特征提取和注意力机制的MRI图像分类方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115239985 A 2对于降维后的第一MRI图像， 利用残差块组合单 元得到第一MRI图像的多尺度特 征， 包括： 通过1x1后的第一MRI图像的特 征图按照通道数量平均分成s块， 且每块大小为xi； 从第一个块x1开始进行第1次卷积 操作； 随着i的增 加， 第i个块与卷积后的第i ‑1个块相加后再进行第i次卷积 操作； 把每个卷积后的分割块进行串联后， 得到第一MRI图像的多尺度特 征。 7.如权利要求5所述的基于特征提取和注意力机制的MRI图像分类方法， 其特征在于， 对于降维后的第二MRI图像， 利用残差块组合单 元得到第二MRI图像的多尺度特 征， 包括： 对于降维后的第二MRI 图像， 利用残差块组合单元得到第二MRI 图像的多尺度特征， 包 括： 通过1x1后的第二MRI图像的特 征图按照通道数量平均分成s块， 且每块大小为xi； 从第一个块x1开始进行第1次卷积 操作； 随着i的增 加， 第i个块与卷积后的第i ‑1个块相加后再进行第i次卷积 操作； 把每个卷积后的分割块进行串联后， 得到第二MRI图像的多尺度特 征。 8.基于特 征提取和注意力机制的MRI图像分类系统， 其特 征在于， 包括： 图像处理模块， 被 配置为获取MRI图像数据并进行 预处理； 图像分类模块， 被 配置为利用预 先训练好的双线性卷积神经网络模型进行图像分类； 其中， 所述双线性卷积神经网络模型， 包括第一网络模型、 第二网络模型以及分类器； 所述第一网络模型和所述第二网络模型 结构相同， 具体包括： 卷积层、 第一 最大池化层、 残差块组合单 元以及第二 最大池化层； 所述残差块组合单 元为多分支卷积残差块； 所述残差块组合单元和所述第 二最大池化层 之间添加 注意力机制， 对所述残差块组合 单元处理后的MRI图像特 征进行通道 注意力添加权 重。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑7中任一项所述的基于特征提取和注意力机制的MRI图像分类方法 中的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7中任一项 所述的基 于特征提取和注意力机制的MRI图像分类方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115239985 A 3