申请/专利权人：安徽大学

申请日：2023-11-30

公开（公告）日：2024-03-22

公开（公告）号：CN117745650A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/10;G06T7/62;G06N3/0464;G06N3/0442;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及一种基于深度多任务回归网络的左心室量化方法，其利用模型对待处理心脏MR图像进行左心室量化，模型包括特征提取模块和分割量化模块。特征提取模块包括特征表示网络、指数估计网络。特征表示网络包括深度卷积编码器‑解码器模块。指数估计网络包含MS‑CNN模块和双向LSTM模块。MS‑CNN模块利用多个独立CNN模型，采用不同核大小和池化大小，从编码器‑解码器模块的高级特征图中提取出更有效的低级特征。双向LSTM模块用于捕捉心脏结构的动态变化。分割量化模块包括对心脏MR图像进行处理的编码器‑解码器结构。编码器‑解码器结构包括通过短程跳跃连接起来的两个子编码器。本发明解决现有技术缺乏分割与量化任务的相互辅助的技术问题。

主权项：1.一种基于深度多任务回归网络的左心室量化方法，其包括以下步骤：对若干预设心脏MR图像进行数据处理；根据数据处理后的若干预设心脏MR图像进行模型搭建；所述模型包括特征提取模块和分割量化模块；利用模型对待处理心脏MR图像进行左心室量化；其特征在于，所述特征提取模块包括特征表示网络、指数估计网络；特征表示网络包括深度卷积编码器-解码器模块，用于提取与分割和量化任务相关的心脏结构特征；指数估计网络包含MS-CNN模块和双向LSTM模块；MS-CNN模块利用多个独立CNN模型，采用不同核大小和池化大小，从编码器-解码器模块的高级特征图中提取出更有效的低级特征，用于心脏图像处理；双向LSTM模块用于捕捉心脏结构的动态变化；所述分割量化模块包括对心脏MR图像进行处理的编码器-解码器结构；编码器-解码器结构包括通过短程跳跃连接起来的两个子编码器，每个子编码器包含四个块，每个块都有相似的结构，从高层到低层依次包括卷积层、激活函数、最大池化层和丢弃层；这些卷积层逐渐从高层到低层提取输入图像的特征信息；在每个块的第二个卷积层中，使用了空洞卷积来增加感受野；解码器模块与编码器模块类似，也由四个块组成，其中使用上采样层将低层特征图恢复到输入图像的分辨率，解码器模块中的其他层与编码器模块具有相同的参数设置，并通过长程和短程跳跃连接的剩余网络块进行特征集成；通过逐层上采样和特征融合，解码器模块产生与输入图像相同尺寸和语义信息的输出特征图，实现准确的图像分割。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于深度多任务回归网络的左心室量化方法

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