申请/专利权人：南昌大学

申请日：2023-07-27

公开（公告）日：2024-02-06

公开（公告）号：CN117523184A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/80;G06V10/766;G06V10/42;G16H30/00;G16H50/20;G06V10/82;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：2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种多级语义丰富神经网络的医学图像分割方法，将医学图像分层采用PCT模块得到低分辨率特征图Ⅰ；再将低分辨率特征图Ⅰ通过PCT模块得到低分辨率特征图Ⅱ；再将低分辨率特征图Ⅱ通过PCT模块得到低分辨率特征图Ⅲ；最后将低分辨率特征图Ⅲ通过PCT模块得到低分辨率特征图Ⅳ；将特征图Ⅳ通过上采样2倍后，与ES模块处理后的特征图Ⅲ进行拼接；再进行上采样2倍后与ES模块处理后的特征图Ⅱ进行拼接；最后进行上采样2倍后与ES模块处理后的特征图Ⅰ进行拼接，最终得到相应的特征图；将得到的最终特征图进行上采样4倍后，通过1×1的卷积调节通道数后得到最终的分割图。本发明能够对医学图像进行有效的分割，提高了医生对患者病情诊断的准确度。

主权项：1.一种多级语义丰富神经网络的医学图像分割方法，其特征在于，包括如下步骤：步骤一：将一幅3×H×W的医学图像分层的经过PCT模块得到尺寸为的低分辨率特征图Ⅰ；再将低分辨率特征图Ⅰ通过PCT模块得到尺寸为的低分辨率特征图Ⅱ；再将低分辨率特征图Ⅱ通过PCT模块得到尺寸为的低分辨率特征图Ⅲ；最后将低分辨率特征图Ⅲ通过PCT模块得到尺寸为的低分辨率特征图Ⅳ，其中H代表图像的高度，W代表图像的宽度；步骤二：将低分辨率特征图Ⅳ通过UpsamplingBilinear2d上采样2倍后，与ES模块处理后的低分辨率特征图Ⅲ进行拼接后经过两层3×3的卷积操作；再通过UpsamplingBilinear2d上采样2倍后与ES模块处理后的低分辨率特征图Ⅱ进行拼接后经过3×3的卷积操作；最后通过UpsamplingBilinear2d上采样2倍后与ES模块处理后的低分辨率特征图Ⅰ进行拼接后经过3×3的卷积操作最终得到相应的特征图；步骤三：将步骤二得到的最终特征图采用UpsamplingBilinear2d上采样四倍后，通过一个1×1的卷积调整深度，使得最后输出的分割图像为H×W，包含前景和背景的二值图。

全文数据：

权利要求：

百度查询： 南昌大学 一种多级语义丰富神经网络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