买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:太原理工大学
摘要:本发明属于CT图像的分割与分类方法的技术领域,尤其涉及基于U‑Net和SENet实现直肠癌CT图像的分割与分类方法,解决了现有肿瘤的分割主要依赖医生主观分出,导致分割的主观性比较强并且成本较大的技术问题,其包括图像预处理;利用改进后的U‑Net卷积神经网络进行图像分割,通过改进后的U‑Net卷积神经网络对输入的特征图中的每个像素进行分类,将每个像素分配到不同的类别,即完成图像的分割;通过嵌入了SENet的ResNet卷积神经网络对分割好的图像进行分类,最终输出图像的T期分类结果。本发明所述分类方法的结构精确,能对直肠癌T期分类的判断起到可观的帮助作用,在医学影响领域具有重要意义。
主权项:1.基于U-Net和SENet实现直肠癌CT图像的分割与分类方法,其特征在于,包括以下步骤:步骤一、图像预处理:需要对原始的直肠癌CT图像进行裁剪,对图像进行扩大或缩小比例使肿瘤区域包含于图像内,然后对直肠癌CT图像进行直方图均衡化,将原始图像的灰度图转变为均匀分布,之后再对直肠癌CT图像进行标准归一化处理;步骤二、利用改进后的U-Net卷积神经网络进行图像分割:原始的U-Net卷积神经网络包括Encoder阶段和Decoder阶段,改进时,首先对Encoder阶段每一层编码模块设置padding值,然后在Encoder阶段相邻编码模块的采样过程中分别加入注意力模块,注意力模块从前到后依次包括Globalpooling层、两个全连接层和ReLu层,上一编码模块的输出通过Globalpooling层对特征图进行池化,再通过两个全连接层学习通道的权重,之后通过ReLu层中ReLu函数激活,最终将原始的特征图与ReLu层最后的输出进行Scale操作,改进后的U-Net卷积神经网络中,Encoder阶段包括七层编码器,Decoder阶段包括六层解码器;采用随机梯度下降法对改进后的U-Net卷积神经网络进行训练,框架为Caffee,输入为单个图像;通过改进后的U-Net卷积神经网络对输入的特征图中的每个像素进行分类,将每个像素分配到不同的类别,即完成图像的分割;步骤三、通过嵌入了SENet的ResNet卷积神经网络对分割好的图像进行分类,最终输出图像的T期分类结果。
全文数据:
权利要求:
百度查询: 太原理工大学 基于U-Net和SENet实现直肠癌CT图像的分割与分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。