申请/专利权人：南京邮电大学

申请日：2023-10-07

公开（公告）日：2024-01-02

公开（公告）号：CN117333668A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/44;G06V10/80;G06N3/0455;G06N3/0464;G06N3/048;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.19#实质审查的生效;2024.01.02#公开

摘要：本发明提供一种基于DeepLabV3plus的乳腺超声图像弱监督分割方法，通过将乳腺超声图像I输入到改进DeeplabV3plus网络中得到高层特征图F；将乳腺超声图像I与高层特征图F输入到树辅助模块中，分别得到乳腺超声图像I生成的树亲和矩阵Alow和高层特征图F生成的树亲和矩阵Ahigh；与网络预测分割图像相结合进行级联过滤，生成伪标签构建伪标签与改进DeeplabV3plus网络产生的预测分割结果的损失函数，用于约束点线标签中非目标区域的准确预测，并结合预测分割结果与线标签中标注区域之间的损失函数，共同优化得到最终的乳腺肿瘤分割结果P；该方法能够提高乳腺超声图像肿瘤区域的分割精度，标签标定的工作量较少，更关注待分割的肿瘤区域，能够有效提高分割的准确率。

主权项：1.一种基于DeepLabV3plus的乳腺超声图像弱监督分割方法，其特征在于：包括以下步骤，S1、将乳腺超声数据集中的乳腺超声图像I输入到改进DeeplabV3plus网络中得到高层特征图F，由高层特征图F得到网络预测分割图像，该网络预测分割图像由乳腺超声数据集中的点线标签Y进行约束；S2、将乳腺超声图像I与高层特征图F输入到树辅助模块中，分别得到乳腺超声图像I生成的树亲和矩阵Alow和高层特征图F生成的树亲和矩阵Ahigh；S3、将得到的乳腺超声图像I生成的树亲和矩阵Alow和高层特征图F生成的树亲和矩阵Ahigh，与网络预测分割图像相结合进行级联过滤，生成伪标签S4、构建伪标签与网络预测分割图像的损失函数Ltree，用于约束点线标签Y中非目标区域的准确预测，并结合网络预测分割图像与点线标签Y中标注区域之间的损失函数Lseg，共同优化网络预测分割图像，优化之后的网络预测分割图像即为最终的乳腺肿瘤分割结果P。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于DeepLabV3plus的乳腺超声图像弱监督分割方法

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