龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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：李乾坤
摘要：本发明公开了基于深度学习的3D体积医学图像多器官实例分割方法，该方法包括：3D体积医学图像的数据预处理；邻间数据整合；设计构建3D体积医学图像多器官实例分割网络模型；构建多器官分割模型的评价体系；训练并得到验证集上精度最优的3D体积医学图像多器官实例分割模型；将无标签的3D体积医学图像输入至训练完毕的多器官实例分割模型，推理以得到最终的多器官区域结果；图像多器官区域结果可视化。本发明能够对多种器官同时分割，具有客观性好、重复性稳定且精度高等优点。
主权项：1.基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，包括以下步骤：步骤1：数据预处理阶段：对输入的3D体积医学图像数据进行尺寸统一化、灰度值标准化、数据增强和归一化处理；步骤2：邻间数据整合阶段：对预处理后的数据进行切片划分，将相邻三个切片合并成一个三通道样本，对于两侧端部切片直接复制为三通道样本；步骤3：网络模型设计阶段：模型网络包含主干网络部分、颈部网络部分、头部网络部分，所述主干网络部分由一个SE模块和一个Backbone组合而成；所述颈部网络部分包含多尺度特征图的提取模块与特征候选区域生成和特征映射模块；所述头部网络部分包含分类器结构和分割器结构；步骤4：模型评价体系构建阶段：采用分割区域一致性Dice作为评价模型性能评价指标；步骤5：模型训练阶段：对主干网络部分的Backbone网络参数采用其主干网络在大型公开图像数据集ImageNet-1K上预训练好的参数做初始化，主干网络部分的SE模块以及颈部网络部分和头部网络部分的参数均采用随机初始化，输入的3D体积医学图像数据经过步骤1所述预处理以及步骤1所述邻间数据整合后进入模型，采用梯度下降算法对模型进行迭代训练以取得最优解，根据验证集在步骤4所述评价体系中的Dice值来确定模型的最优参数；步骤6：模型网络推理阶段：推理无标签的3D体积医学图像数据，并可视化多器官区域。
全文数据：
权利要求：
百度查询： 李乾坤 基于深度学习的3D体积医学图像多器官实例分割方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号