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：兰州交通大学

摘要：本发明公开了一种基于去噪扩散概率模型的乳腺超声图像分割方法，本发明提出了一种基于去噪扩散概率模型的医学图像分割方法；该方法增强了对全局语义信息和复杂信息的捕捉能力，同时提高了去噪扩散概率模型对病灶区域的关注度；此外，它更好地实现了噪声和语义特征之间的交互，有效降低了高频噪声的干扰；通过这些改进，本方法能够更准确地分割出乳腺肿瘤图像中的病灶区域，为乳腺肿瘤等疾病的诊断提供了有力支持。

主权项：1.一种基于去噪扩散概率模型的乳腺图像分割方法，其特征在于，包括去噪扩散概率模型、高斯分布融合模块和双通道动态条件模块三个部分，具体如下：①去噪扩散概率模型：该去噪扩散概率模型是一种基于概率建模的生成模型，由前向扩散阶段和反向扩散阶段组成，前向扩散过程中，该去噪扩散概率模型对输入图像逐步添加高斯噪声，执行步后生成纯高斯噪声图像；真实后验分布表达式为： 则任意时刻加噪后的图像定义如下： 其中，；；为每次添加的噪声强度；反向过程就是对加噪过程进行反向去噪，根据当前时刻的加噪图像来预测前一时刻的图像，采用贝叶斯公式计算估计分布： 其中，估计分布的均值和方差分别为： 反向去噪过程也是一个马尔可夫过程，通过神经网络来拟合，从而得到时刻的图像： 其中，表示一种基于神经网络的拟合函数，最后，计算估计分布和真实后验分布的KL散度，得到去噪扩散概率模型的训练目标为： 在公式7中，Ex0,ε表示括号内计算数值的数学期望；②高斯分布融合模块：该高斯分布融合模块主要将双通道动态条件模块的特征拟合成高斯分布，然后层次化的整合高斯分布动态条件特征与扩散编码特征，以消除直接融合两个特征可能导致的信息不兼容，并降低了高频噪声成分在融合过程中的负面影响，首先，将双通道动态条件模块的特征约束成高斯分布G.得到特征，并经过池化层pool.的最大池化max和平均池化avg与卷积层得到特征；之后将约束后的双通道动态条件模块特征和扩散编码特征进行点积运算，经过卷积操作conv.得到，该过程用来模拟特征之间的交叉关系；接下来，将扩散编码特征经过池化层和卷积层得到；最后，将特征、和进行拼接后经过卷积层上采样来恢复原始图像的分辨率，得到最终的分割图像特征； 8 9 CTrans-SegDiff的损失函数可表示为： 其中，Ex0,ε,t[.]表示括号内计算数值的数学期望，为高斯噪声，是一个基于神经网络的拟合函数；为双通道动态条件模块分割图像；③双通道动态条件模块双通道动态条件模块包括编码器模块和多通道感知交叉注意力模块，在编码器模块中，将CNN分支和Transformer分支的局部特征输入到多通道感知交叉注意力模块进行特征融合，从而丰富Transformer分支的局部细节，增强CNN对更广泛上下文的感知。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于去噪扩散概率模型的乳腺超声图像分割方法