申请/专利权人：浙江省中医院、浙江中医药大学附属第一医院(浙江省东方医院)

申请日：2023-01-31

公开（公告）日：2023-05-02

公开（公告）号：CN116051844A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/30;G06V10/36;G06V10/40;G06V10/764;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.05.19#实质审查的生效;2023.05.02#公开

摘要：本发明公开了一种基于Gram矩阵特征过滤器的含噪宫颈图像分割算法，在传统的UNet网络模型基础上加入了两个以VGG‑16网络结构为原型的噪声过滤器，此处加在卷积层后的噪声过滤器仅用于训练，旨在帮助UNet模型更好得提取到不受噪声影响的特征，因此测试时仅需用到训练好的以UNet为基础构成的主体网络结构。将各类噪声特征单独视为风格提取出来处理，将去除噪声的效果融入了UNet的实际训练过程中，而非通过结构上割裂实现，因此计算量更小，效果更良好。针对性地根据噪声因素划分为了三个域，不仅为VGG噪声过滤器的训练提供了方便，也让主体UNet网络的损失函数设计有更贴合项目的上限，达到更好的拟合效果。

主权项：1.一种基于Gram矩阵特征过滤器的含噪宫颈图像分割算法，其特征在于：包括如下算法步骤A1.根据噪声因素，收集三个不同域的宫颈图像集，不同域的宫颈图像集分别为：真实不含噪的宫颈图像、含合成噪声的宫颈图像和真实含噪的宫颈图像；A2.取部分上述A1步骤中的三个不同域的宫颈图像对UNet主体网络做预训练，并提取网络结构中的前两个卷积层的特征图；A3.单独训练VGG-16网络，input采用由预训练的UNet网络提取的特征图得到的Gram矩阵，基于Gram矩阵对宫颈图整体图像风格计算体现数据；宫颈图像的标签采用手动划分方式，按域类不同划分为：真实含噪图、合成噪图和真实无噪图这三个手动划分标签；训练VGG-16网络作为分类器，而后去除VGG-16网络结构中的softmax层，将VGG-16网络的输出内容由预测向量更改为softmax层的输入——经下采样得到的特征向量，它是softmax层预测类别的关键特征，此处将这类特殊的特征向量命名为噪声因子；因此得到可以由两层特征图的Gram矩阵提取噪声特征的两个结构相同但参数稍显不同的噪声特征过滤器；此处选择训练多个噪声特征过滤器而非一个，是方便后续在不同的卷积层做消融实验，以便更好地把握噪声特征过滤器在UNet网络中的嵌入位置；A4.将训练好的两个VGG-16网络模型嵌入UNet网络的前两个卷积层，然后通过训练UNet网络降低特征图中噪声特征的提取量，最终得到不受噪声影响的宫颈图像特征，实现良好的含噪宫颈图像分割效果。

全文数据：

权利要求：

百度查询： 浙江省中医院、浙江中医药大学附属第一医院(浙江省东方医院) 基于Gram矩阵特征过滤器的含噪宫颈图像分割算法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD