申请/专利权人：江苏师范大学

申请日：2023-02-14

公开（公告）日：2023-06-23

公开（公告）号：CN116309345A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/136;G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06V10/80;G06N3/0455;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.07.11#实质审查的生效;2023.06.23#公开

摘要：本发明提供一种基于深度学习的Lv‑net的医学图像分割方法，使用基于SEA‑Unet的心脏图像分割方法，心脏MR图像数据集标签分为三类：背景、心肌与心室，将心肌内膜作为单独标签使用；编码器的CNN卷积核为全局与邻近上下文自注意力模块；解码器分别进行不同倍数上采样，后接结残差层级注意力模块进行特征融合，上采样与跳跃连接之后，使用1×1卷积、3×3卷积和5×5卷积核构成多尺度特征模块；损失函数由HausdorffDistance损失函数与Dice损失函数组成。有益效果：使得医学图像分割方法能够实现对心肌图像精确分割。

主权项：1.一种基于深度学习的Lv-net的医学图像分割方法，具体方法如下：使用基于SEA-Unet的心脏图像分割方法，包括下列步骤：S1、数据收集：收集相关的心脏公共数据集，所述数据集中包含MR和CT图像，将数据集中图像进行整理形成数据集用于模型的训练和测试；S2、进行数据预处理：预处理包括归一化、数据切割、统一数据尺度大小，用于保证模型训练效果；S3、进行分割模型：采用深度学习相关技术搭建分割模型，输入训练数据，完成参数模型的搭建；S4、模型保存：当模型的损失函数不再降低之后，保存模型；S5、性能评估：利用相关的评价指标评估模型生成的样本效果；其特征在于，所述数据收集中心脏MR图像数据集标签分为三类：背景、心肌与心室，将心肌内膜作为单独标签使用；所述进行分割模型中的编码器的CNN卷积核为全局与邻近上下文自注意力模块；所述进行分割模型中的解码器分别进行不同倍数上采样，后接结残差层级注意力模块进行特征融合，所述上采样与跳跃连接之后，使用1×1卷积、3×3卷积和5×5卷积核构成多尺度特征模块；所述模型保存中的损失函数由HausdorffDistance损失函数与Dice损失函数组成。

全文数据：

权利要求：

百度查询： 江苏师范大学 一种基于深度学习的Lv-net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。

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