申请/专利权人：兰州交通大学

申请日：2023-01-12

公开（公告）日：2023-10-27

公开（公告）号：CN116246067B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/774;G06V10/77;G06V10/82;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2023.10.27#授权;2023.06.27#实质审查的生效;2023.06.09#公开

摘要：本发明公开了一种基于CoAUnet的医学图像分割方法，包括以下步骤：在原有实验数据集基础上数据增强处理扩充肝脏分割数据集‑使用DTC‑FCMSPCNN对肝脏分割数据集中的图片进行预处理，确定任务目标区域，并将无用部分进行遮盖处理‑将DTC‑FCMSPCNN处理好的肝脏分割数据集用于CoAUnet的训练和测试‑将CoAUnet的分割结果作为最终分割结果。本发明采用上述一种基于CoAUnet的医学图像分割方法，结合DTC‑FCMSPCNN和CoAUnet的端到端的医学图像分割方法，能显著缩短深度学习模型训练时间，提高分割精度及医学图像诊断速度，给出综合有效的治疗方案，改进临床决策准确性。

主权项：1.一种基于CoAUnet的医学图像分割方法，其特征在于：包括以下步骤：S1、在原有实验数据集基础上使用Keras的数据增强处理扩充肝脏分割数据集；S2、使用DTC-FCMSPCNN对肝脏分割数据集中的图片进行预处理，确定任务目标区域，并将无用部分进行遮盖处理，减少U型网络训练时间；步骤S2具体包括以下步骤：S21、采用归一化的图像处理方法，通过调整原始图像的像素值，重新确定DTC-FCMSPCNN模型的外部输入刺激；S22、对图像进行高斯滤波处理，平滑图像，去除噪声；S23、设定DTC-FCMSPCNN的预定义迭代次数T的值和其它自适应参数；S24、设定DTC-FCMSPCNN模型的馈送输入、链接输入、内部活动项、点火条件和动态阈值，并将每次的迭代结果根据迭代次数合并为一个最终结果Sac；S25、对最终结果Sac执行膨胀腐蚀运算，去除噪声，保留完整任务目标，并绘制目标的最小外接矩形，使用掩码遮盖矩形区域以外的非目标区域，保存图像，作为U型网络的训练输入；S3、将DTC-FCMSPCNN处理好的肝脏分割数据集用于CoAUnet的训练和测试；步骤S3中所述的CoAUnet模型的Convblock由级联的三层卷积、归一化和非线性映射构成，三层卷积之间经ResNet跨层连接，且在相邻卷积层之间加入1×1卷积的快捷连接；为避免CoAUnet中连续的跨步卷积和池化运算会导致图像空间信息的丢失，采用并联的空洞卷积模块DAC和不同尺度的池化模块RMP组成的上下文提取器模块；DAC模块通过串联3×3卷积构成不同尺度的感受野代替空洞卷积，并且前置1×1卷积，降低运算量；RMP模块采用四个不同大小的感受野编码全局上下文信息，然后将特征输入到1×1卷积中，降低特征映射的维数，最后，将上采样特征与原始特征串联；四个感受野分别为2×2、3×3、5×5和6×6；S4、将CoAUnet的分割结果作为最终分割结果。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于CoA Unet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