本發(fā)明屬于醫(yī)學(xué)影像處理，特別是涉及一種增強(qiáng)型yolov7腦部mri腫瘤識(shí)別方法。

背景技術(shù)：

1、腦部mri影像腫瘤檢測(cè)是醫(yī)學(xué)影像分析中的一項(xiàng)關(guān)鍵任務(wù)，能夠輔助醫(yī)生對(duì)腦腫瘤進(jìn)行早期診斷和治療決策。然而，現(xiàn)有的腫瘤檢測(cè)技術(shù)在面對(duì)腦部mri影像中的復(fù)雜性、尺度差異以及不同腫瘤形態(tài)時(shí)，依然面臨許多挑戰(zhàn)。傳統(tǒng)的醫(yī)學(xué)影像處理方法雖然在某些情況下取得了一定的成果，但往往依賴于手工特征提取和局部分析，難以全面捕捉腫瘤的多樣性特征和復(fù)雜結(jié)構(gòu)。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)（cnn）的方法在腦腫瘤檢測(cè)中取得了顯著進(jìn)展，但現(xiàn)有模型通常存在計(jì)算開銷大、推理速度慢等問題，尤其是在處理高分辨率的mri影像時(shí)。

2、yolo系列目標(biāo)檢測(cè)算法作為一種高效的實(shí)時(shí)檢測(cè)模型，憑借其單階段檢測(cè)框架、端到端的訓(xùn)練方式以及優(yōu)異的推理速度，在各類目標(biāo)檢測(cè)任務(wù)中得到了廣泛應(yīng)用。然而，yolov7雖然在檢測(cè)精度和速度上取得了良好的平衡，但仍面臨處理腦部mri影像中細(xì)微和多變的腫瘤特征的挑戰(zhàn)。尤其是在高頻和低頻特征的分離、局部和全局特征的融合、多尺度特征的響應(yīng)等方面，仍有提升空間?，F(xiàn)有技術(shù)存在以下不足：

3、1）傳統(tǒng)方法的局限性：傳統(tǒng)的腦部mri影像腫瘤檢測(cè)方法多依賴于人工標(biāo)注或者基于規(guī)則的圖像處理技術(shù)，這些方法在處理復(fù)雜、模糊且多變的影像特征時(shí)，往往表現(xiàn)不佳。特別是在面對(duì)形態(tài)不規(guī)則、位置不同的腫瘤時(shí)，傳統(tǒng)方法很難保證高效且精確的檢測(cè)結(jié)果，導(dǎo)致檢測(cè)結(jié)果不夠準(zhǔn)確且易受圖像質(zhì)量的影響。

4、2）現(xiàn)有深度學(xué)習(xí)方法的不足：雖然現(xiàn)代深度學(xué)習(xí)方法在許多醫(yī)學(xué)影像分析任務(wù)中取得了顯著進(jìn)展，但部分現(xiàn)有的深度學(xué)習(xí)模型仍然未能充分挖掘腫瘤區(qū)域與正常腦組織之間的復(fù)雜關(guān)系。這種缺乏深層次理解的局限性可能導(dǎo)致對(duì)腫瘤區(qū)域的錯(cuò)誤識(shí)別或漏檢，從而影響診斷的精度和可靠性，尤其是在腫瘤邊界模糊或位置較小的情況下。

5、3）假陽性問題的挑戰(zhàn)：假陽性問題一直是醫(yī)學(xué)影像檢測(cè)中不可忽視的難題。對(duì)于腦部mri影像中的腫瘤檢測(cè)，假陽性可能導(dǎo)致模型錯(cuò)誤地將非腫瘤區(qū)域識(shí)別為腫瘤，進(jìn)而導(dǎo)致錯(cuò)誤診斷。這不僅會(huì)增加患者的焦慮情緒，還可能引發(fā)不必要的醫(yī)療干預(yù)，如多次檢查或不必要的手術(shù)治療，進(jìn)而浪費(fèi)寶貴的醫(yī)療資源并增加患者的身體負(fù)擔(dān)。

6、因此，需要提出一種增強(qiáng)型yolov7腦部mri腫瘤識(shí)別方法來解決上述問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種增強(qiáng)型yolov7腦部mri腫瘤識(shí)別方法，旨在解決現(xiàn)有技術(shù)在處理復(fù)雜、模糊且多變的影像特征時(shí)表現(xiàn)不佳，對(duì)于腫瘤識(shí)別挖掘深度不足，且假陽性率較高，容易產(chǎn)生誤判的問題，在保持輕量化參數(shù)的同時(shí)，能夠精確提取腦腫瘤的細(xì)微特征，從而實(shí)現(xiàn)更快的推理速度和更高的檢測(cè)精度。

2、為實(shí)現(xiàn)上述技術(shù)效果，本發(fā)明所采用的技術(shù)方案是：

3、一種增強(qiáng)型yolov7腦部mri腫瘤識(shí)別方法,包括以下步驟：

4、s1，獲取并預(yù)處理腦部mri影像，包括調(diào)整尺寸和歸一化，確保數(shù)據(jù)一致性；

5、s2，采用小波變換將輸入圖像的高頻和低頻特征分離，以有效捕捉腫瘤在不同頻域下的細(xì)節(jié)信息；

6、s3，利用cnn-att模塊結(jié)合自注意力機(jī)制與局部特征學(xué)習(xí)，增強(qiáng)模型對(duì)腦腫瘤復(fù)雜形態(tài)的處理能力；

7、s4，使用深度融合模塊進(jìn)行多尺度特征融合，整合來自不同層次的特征信息；

8、s5，將提取融合后的特征進(jìn)行檢測(cè)識(shí)別；

9、s6，對(duì)改進(jìn)后的yolov7模型在公開腦部mri影像數(shù)據(jù)集上進(jìn)行評(píng)估。

10、優(yōu)選地，步驟s1包括：

11、收集腦部mri影像數(shù)據(jù)構(gòu)建數(shù)據(jù)集，數(shù)據(jù)集包含多種腦腫瘤類型；且圖像質(zhì)量較高，腫瘤區(qū)域標(biāo)注清晰；

12、將影像調(diào)整為yolov7模型所要求的輸入尺寸，并對(duì)像素值進(jìn)行歸一化處理，以確保數(shù)據(jù)的一致性和穩(wěn)定性。

13、進(jìn)一步地，小波變換是一種用于多尺度和多頻率特征提取的圖像處理方法。小波變換能夠在不同的尺度上分離圖像的高頻（細(xì)節(jié)信息）與低頻（主要結(jié)構(gòu)信息）特征，從而增強(qiáng)腫瘤區(qū)域在不同尺度上的表現(xiàn)；小波變換是一種通過多尺度的方式來分析信號(hào)的數(shù)學(xué)工具。它通過將信號(hào)與一組稱為“小波”的函數(shù)進(jìn)行卷積，能夠?qū)D像的高頻和低頻信息分離。

14、優(yōu)選地，步驟s2中小波變換的形式如下：

15、；

16、其中是輸入的圖像信號(hào)， (t)是母小波函數(shù)，是尺度因子，是平移因子。

17、進(jìn)一步地，小波變換提供了時(shí)間（或空間）和頻率的局部化信息，能夠有效地捕捉信號(hào)的局部特征。

18、優(yōu)選地，在小波變換后，得到的結(jié)果為多個(gè)頻率層次的子圖像；小波變換將圖像分解為不同尺度和頻率的組件，包括低頻平滑信息和高頻邊緣和細(xì)節(jié)信息，形式上為：

19、；

20、其中表示圖像的低頻分量，表示圖像的主要結(jié)構(gòu)和輪廓；表示高頻分量，包括圖像中的細(xì)節(jié)和邊緣信息。

21、進(jìn)一步地，高頻與低頻的分離通常通過將小波變換后的系數(shù)分解為近似和細(xì)節(jié)兩部分實(shí)現(xiàn)。低頻部分保持較長(zhǎng)時(shí)間的結(jié)構(gòu)，而高頻部分則包含快速變化的細(xì)節(jié)。使用小波變換來增強(qiáng)腫瘤檢測(cè)需要對(duì)輸入的腦部mri影像進(jìn)行小波變換后，將低頻部分和高頻部分分離。對(duì)于腫瘤檢測(cè)，低頻信息有助于保留腫瘤區(qū)域的全局結(jié)構(gòu)，可以幫助模型識(shí)別腫瘤的區(qū)域及其大概位置；而高頻信息則揭示了腫瘤的細(xì)節(jié)特征，特別是邊緣部分，有助于精細(xì)的定位和診斷。

22、優(yōu)選地，在經(jīng)過小波分解后，對(duì)不同尺度和頻率的特征進(jìn)行選擇性融合，得到最終的多尺度特征表示：

23、；

24、其中，表示底個(gè)尺度的特征，是權(quán)重因子。

25、進(jìn)一步地，小波分解對(duì)不同尺度和頻率的特征進(jìn)行融合，以便模型能夠綜合不同尺度下的腫瘤特征，增強(qiáng)對(duì)復(fù)雜腫瘤形態(tài)的處理能力。

26、優(yōu)選地，步驟s3包括：

27、cnn-att模塊結(jié)合了自注意力機(jī)制（self-attention）和局部特征學(xué)習(xí)（localfeature?learning），旨在通過更精細(xì)地捕捉圖像中的局部特征以及全局上下文信息，提升模型對(duì)于復(fù)雜腦腫瘤形態(tài)的處理能力。

28、自注意力機(jī)制（self-attention）是近年來在自然語言處理和計(jì)算機(jī)視覺中廣泛應(yīng)用的技術(shù)，其核心思想是通過計(jì)算每個(gè)位置（如像素）與其他位置的關(guān)系，捕捉全局依賴性。自注意力機(jī)制使得模型能夠關(guān)注到遠(yuǎn)距離的信息，并且自適應(yīng)地加權(quán)各個(gè)部分的貢獻(xiàn)。其基本原理是在特征圖中計(jì)算每個(gè)位置與其他位置的相關(guān)性（權(quán)重），以決定該位置對(duì)全局上下文信息的依賴程度。

29、局部特征學(xué)習(xí)（local?feature?learning）主要是通過深度卷積來提取圖像中的局部信息。它能夠識(shí)別腫瘤的細(xì)節(jié)特征，包括邊緣、紋理等，對(duì)局部區(qū)域的處理精度至關(guān)重要。

30、cnn-att模塊通過將自注意力機(jī)制與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，既能夠捕捉局部細(xì)節(jié)，也能有效整合全局信息，尤其對(duì)于腫瘤的復(fù)雜形態(tài)和不同尺度的變化具有優(yōu)勢(shì)。

31、通過深度可分離卷積進(jìn)行特征提取，獲取輸入圖像特征；在卷積操作中通過局部感受野學(xué)習(xí)局部特征，捕捉腫瘤的細(xì)節(jié)結(jié)構(gòu)包括邊緣和局部紋理；自適應(yīng)選擇卷積核的大小和步幅，以捕捉不同大小和形態(tài)的腫瘤特征；公式表示為：

32、；

33、其中，表示局部特征圖，表示卷積操作，是輸入圖像特征。

34、優(yōu)選地，步驟s3中，局部特征學(xué)習(xí)結(jié)束后進(jìn)行全局特征處理，將特征圖進(jìn)行降采樣，通過注意力機(jī)制捕捉全局信息，然后將特征圖還原到原始尺寸；自注意力機(jī)制通過計(jì)算輸入特征圖各位置之間的相關(guān)性，為每個(gè)位置分配不同的權(quán)重，進(jìn)而加權(quán)組合各個(gè)位置的特征；

35、這種方式能夠讓模型在進(jìn)行特征提取時(shí)考慮圖像的全局上下文信息，幫助模型關(guān)注到腫瘤的細(xì)微變化和遠(yuǎn)距離依賴關(guān)系；自注意力機(jī)制的計(jì)算步驟如下：

36、輸入的特征圖經(jīng)過降采樣后變?yōu)?，再?jīng)過線性變換，生成query（查詢）、key（鍵）和value（值）三個(gè)矩陣：

37、；

38、其中，，，分別是用于生成query、key、value的權(quán)重矩陣；自注意力機(jī)制通過計(jì)算query與key之間的相似性來生成權(quán)重矩陣，使用點(diǎn)積操作：

39、；

40、其中，是注意力矩陣，是特征的維度，計(jì)算了query和key之間的點(diǎn)積；

41、將注意力權(quán)重應(yīng)用于value矩陣，得到最終的加權(quán)特征圖：

42、；

43、其中，經(jīng)過自注意力機(jī)制處理后的特征圖；將局部特征和自注意力特征進(jìn)行融合，這樣，模型既能夠保留腫瘤的細(xì)節(jié)信息，也能夠結(jié)合全局上下文的關(guān)聯(lián)性進(jìn)行綜合處理；

44、融合后的特征圖進(jìn)一步輸入到后續(xù)的網(wǎng)絡(luò)模塊中進(jìn)行進(jìn)一步處理，公式表示為：

45、；

46、其中，是融合權(quán)重，根據(jù)任務(wù)的需求進(jìn)行選擇；是融合后的特征圖。

47、進(jìn)一步地，cnn-att模塊通過自注意力機(jī)制與局部特征學(xué)習(xí)的結(jié)合，顯著提升了yolov7對(duì)復(fù)雜腦腫瘤形態(tài)的處理能力。自注意力機(jī)制使得模型能夠關(guān)注全局信息，并根據(jù)圖像中不同區(qū)域的重要性進(jìn)行加權(quán)；而局部特征學(xué)習(xí)則保證了細(xì)節(jié)的精確捕捉。這種多層次、多尺度的信息融合有助于模型在面對(duì)復(fù)雜的腫瘤形態(tài)時(shí)，能夠準(zhǔn)確地提取有效特征并進(jìn)行精確分類。

48、優(yōu)選地，步驟s4包括：

49、深度融合模塊的主要目的是對(duì)多個(gè)尺度的特征圖進(jìn)行有效融合，確保每個(gè)尺度的信息都能為最終的腫瘤檢測(cè)提供貢獻(xiàn)。通常情況下，低層的特征圖具有更高的空間分辨率，但語義信息較弱；而高層特征則具有較強(qiáng)的語義信息，但空間分辨率較低。深度融合通過多尺度的聚合機(jī)制，彌補(bǔ)了這些差異，使得網(wǎng)絡(luò)能夠同時(shí)考慮細(xì)節(jié)和全局信息。

50、首先對(duì)輸入的圖像通過多個(gè)不同的網(wǎng)絡(luò)層提取特征，每個(gè)層次的特征圖都具有不同的空間分辨率和語義信息，低層特征通常具有較高的空間分辨率（細(xì)節(jié)豐富），而深層特征則通常具有較低的空間分辨率但更抽象的語義信息（全局視野）。

51、為了捕捉多種尺度上的信息，深度融合模塊通常通過不同尺度的卷積操作提取特征，這些卷積核的大小決定了網(wǎng)絡(luò)對(duì)不同尺度信息的敏感度，通過這種方式，模型能夠在多個(gè)尺度上進(jìn)行特征提取。公式表示為：

52、；

53、其中，表示在尺度下提取到的特征，是輸入特征圖，表示在該尺度下使用的卷積核；

54、為了整合不同尺度的特征，深度融合模塊將提取到的多尺度特征進(jìn)行融合：

55、；

56、其中，表示融合后的特征，是來自第 i層尺度的特征，是學(xué)習(xí)到的融合權(quán)重，是尺度的數(shù)量。

57、融合后的多尺度特征圖通過卷積層進(jìn)一步處理，提取更加高層次的語義信息，并對(duì)腫瘤區(qū)域進(jìn)行精確定位；此時(shí)，融合后的特征圖包含了從低層到高層的多種信息，可以更全面地描述腫瘤區(qū)域的空間分布和結(jié)構(gòu)特征。

58、將處理后的特征圖輸入到網(wǎng)絡(luò)的后續(xù)層進(jìn)行分類和回歸操作，最終得到腫瘤的定位和分類結(jié)果。模型能夠在各個(gè)尺度下響應(yīng)腫瘤區(qū)域，并根據(jù)多尺度信息進(jìn)行精確的定位和識(shí)別。

59、優(yōu)選地，步驟s5包括使用yolov7網(wǎng)絡(luò)的后半部分對(duì)提取融合后的特征進(jìn)行候選框生成再經(jīng)過目標(biāo)框回歸檢測(cè)識(shí)別出腦部mri影像的結(jié)果。

60、優(yōu)選地，步驟s6包括：

61、引入map（所有類別的平均精度）、precision（精度）和recall（召回率）三個(gè)指標(biāo)來驗(yàn)證模型的有效性；

62、map綜合了精度和召回率，能夠全面反映模型在不同檢測(cè)精度要求下的表現(xiàn)。precision衡量的是模型預(yù)測(cè)為正類的樣本中，實(shí)際為正類的比例，表示模型的準(zhǔn)確性；recall衡量的是實(shí)際為正類的樣本中，模型能夠正確識(shí)別的比例，表示模型的全面性。通過這三個(gè)指標(biāo)，可以全面評(píng)估模型在檢測(cè)任務(wù)中的表現(xiàn)。下面給出具體計(jì)算公式為：

63、；

64、；

65、；

66、；

67、其中是類別總數(shù)，是類別的平均精度，是召回率為時(shí)對(duì)應(yīng)的精度，是真正例數(shù)，是假正例數(shù)。

68、本發(fā)明的有益效果如下：

69、1，高效的檢測(cè)速度：通過基于yolov7的單階段深度學(xué)習(xí)架構(gòu)，結(jié)合重參數(shù)化、多尺度跨層聚合和輔助頭訓(xùn)練等策略，能夠在保持較輕量參數(shù)的同時(shí)，提高推理速度，提升處理效率。

70、2，精確的特征提取能力：改進(jìn)后的模型能夠精確地提取腦腫瘤的細(xì)微特征，特別是在復(fù)雜的腦部mri影像中，能夠準(zhǔn)確識(shí)別腫瘤區(qū)域，確保較高的檢測(cè)精度。

71、3，良好的適應(yīng)性和魯棒性：通過深度融合模塊，模型能夠整合不同層次的特征信息，增強(qiáng)了對(duì)各種腫瘤形態(tài)的適應(yīng)能力及魯棒性，特別是在變化多樣的影像數(shù)據(jù)中。

72、4，引入小波變換模塊，精確分離輸入圖像的高頻和低頻特征，有效捕捉腫瘤在不同頻域下的細(xì)節(jié)信息，提升了對(duì)不同類型腫瘤的敏感度；結(jié)合自注意力機(jī)制與局部特征學(xué)習(xí)，增強(qiáng)了模型在處理腦腫瘤復(fù)雜形態(tài)時(shí)的能力，使得yolov7能夠更好地捕捉腫瘤的局部細(xì)節(jié)與全局結(jié)構(gòu)；通過深度融合模塊整合不同尺度的特征信息，提升了yolov7對(duì)腫瘤區(qū)域的響應(yīng)能力，有效提升了模型在復(fù)雜和多變的腦部mri影像中的表現(xiàn)；通過引入重參數(shù)化思想、多尺度跨層聚合和輔助頭訓(xùn)練等策略，在保持輕量化參數(shù)的同時(shí)，能夠精確提取腦腫瘤的細(xì)微特征，從而實(shí)現(xiàn)更快的推理速度和更高的檢測(cè)精度。為了進(jìn)一步提升檢測(cè)性能。