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:北京工业大学
摘要:本发明公开了基于深度学习的医学图像分割方法,具体步骤如下,对原图像进行数据处理;构建Encoder模块提取高语义信息;构建跳连模块与Decoder部分结合,综合高分辨率信息和语义信息;分割出目标区域。USDA‑net采用了U‑net网络的编码部分和解码部分,编码部分中包含5个模块,前4个模块中均包含两个卷积操作和一个最大池化操作,最后一个模块仅有两个卷积操作;解码部分与编码部分类似包含四个模块,每个模块包含一个上采样操作和两个卷积操作;其中,跳连结构将编码部分模块的输出特征图进行裁剪,然后经过双通道注意力机制模块,最后再和相对应的解码部分上采样操作得到的特征图拼接在一起作为解码部分下一个模块的输入。本发明能够提高语义分割的质量。
主权项:1.基于深度学习的医学图像分割方法,其特征在于:该方法包括如下步骤,步骤1.数据处理首先将医学SPECT动态影像的原始影像逐帧分解,成为20帧单帧影像,分离成的单帧的医学动态影像进行中心裁剪和归一化并将尺寸统一到512*512,输入到步骤2的Encoder模块中;步骤2.构建Encoder模块;Encoder模块是对输入的图像进行编码,将图像编码成高维的特征表示,也就是张量化表示;Encoder模块使用的是USDA-net网络的编码部分,编码部分每个模块中的第二次卷积操作的输出既作为下一层最大池化操作的输入,经过USDA-net的裁剪操作后也作为相应的跳连模块的输入;步骤3.构建跳连模块;构建跳连模块的目的是在保留编码部分中相对浅层网络输出特征图的高分辨率信息的同时,给浅层网络输出特征图附加一定的语义信息;步骤2中输入跳连模块的特征图,经过Dualattention中的双通道注意力机制运算,然后输出得到一个与输入特征图尺寸相同的并具有注意力分布的特征图;步骤4.构建Decoder模块;Decoder模块是对输入的特征图进行解码;Decoder模块使用的是U-net网络的解码部分,解码部分每个模块中的输入均是由上一层上采样操作的输出与相应的跳连模块的输出拼接而成;USDA-net网络结构包含U-net的编码部分和解码部分外加具有双通道注意力机制的跳连模块,其中编码部分中包含5个模块,前4个模块中均包含两个卷积操作和一个最大池化操作,最后一个模块仅有两个卷积操作;解码部分包含四个模块,每个模块包含一个上采样操作和两个卷积操作;跳连模块将编码部分模块的输出特征图进行裁剪,然后通过一个双通道注意力机制模块,最后和相对应的解码部分上采样操作得到的特征图拼接在一起作为编码部分下一个模块的输入;双通道注意力机制模块给编码部分输出的特征图附加语义信息,从而突出对分割结果比较重要的特征,减少噪音信息,提高了语义分割的质量。
全文数据:
权利要求:
百度查询: 北京工业大学 基于深度学习的医学图像分割方法
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。