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。