申请/专利权人:江南大学;无锡市人民医院
申请日:2020-12-11
公开(公告)日:2021-02-19
公开(公告)号:CN112381846A
主分类号:G06T7/12(20170101)
分类号:G06T7/12(20170101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2021.03.09#实质审查的生效;2021.02.19#公开
摘要:一种基于非对称网络的超声甲状腺结节分割方法,属于深度学习图像分割领域。编码层是一个U‑Net网络,可以获取更多的上下文语义的特征信息,能都准确检测尺度、形状和位置等多变的甲状腺结节,解码层使用空洞卷积,残差连接和卷积核分解的组合,可以将高维全局上下文语义特征信息逐步还原细节纹理及边缘信息。本发明构造的模型在甲状腺数据集上达到了与高精度模型类似的分割精度,IOU比U‑Net模型高2%左右,且平均分割一张图片的时间为1.9s左右,比医生手动分割效率得到了大大的提升。解决了传统方法中干扰因素过多和图像边缘信息丢失严重的问题,具有较好的准确性和泛化能力。
主权项:1.一种基于非对称网络的超声甲状腺结节分割方法,其特征在于,步骤如下:1将从医院采集到的甲状腺超声图像,裁剪成大小一致的单通道灰度图像,来减轻网络模型的参数量;将数据进行预处理,并按比例分为训练集和测试集;进一步的,由于数据集较少,对数据进行翻转、旋转、增强对比度等一系列数据增强操作;2构建非对称网络,将处理好的训练集数据送入非对称网络中训练,得到网络模型;3在测试集上验证步骤2得到的网络模型的分割效果,并输出分割结果。
全文数据:
权利要求:
百度查询: 江南大学;无锡市人民医院 一种基于非对称网络的超声甲状腺结节分割方法
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。