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。