申请/专利权人：沈阳工业大学

申请日：2023-12-25

公开（公告）日：2024-03-22

公开（公告）号：CN117746042A

主分类号：G06V10/26

分类号：G06V10/26;G06V20/70;G06V10/44;G06V10/52;G06V10/80;G06V10/762;G06V10/764;G06V10/774;G06V10/776;G06V10/82;G06N3/0464;G06N3/0455;G06N3/084;G06N3/048

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：本发明提供了一种基于APA‑UNet的肝脏肿瘤CT图像分割方法，属于医学CT图像分割技术领域，该方法包括：为了解决损失函数在处理类别不均衡的数据集时，导致模型过度偏向某些类别的问题，提出了一个新的损失函数LGMD，将传统DiceLoss与TV正则化后的高斯混合损失函数实现加权组合，更有效地指导模型参数更新；重新设计跳跃连接结构，提出APAB注意力模块，在跳连接结构上加入APAB的注意力机制，实现对非注意力分支和位置注意力分支的动态加权，以便在特征合并时选择性的强调或抑制特定的特征，改进U‑Net解码器的部分结构，提出H‑MSC增大网络的感受野，提升特征表达能力；完成对APA‑UNet模型的训练；使用评价指标Dice系数对测试结果进行评估，分析APA‑UNet模型的分割性能。

主权项：1.一种基于APA-UNet的肝脏肿瘤CT图像分割方法，其特征在于，该方法的具体步骤包括：步骤1：数据预处理：对腹部CT图像进行预处理，并将预处理后的图像作为训练和测试数据；步骤2：训练：应用APA-UNet对预处理后的图像进行训练，完成模型训练；步骤3：测试：基于步骤2中得到的模型APA-UNet进行保存，并对模型APA-UNet进行测试，获得测试结果；步骤4：评估：使用评价指标Dice系数对步骤3中得到的测试结果进行评估，分析APA-UNet模型的分割性能。

全文数据：

权利要求：

百度查询： 沈阳工业大学 一种基于APA-UNet的肝脏肿瘤CT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