申请/专利权人：北京工业大学

申请日：2020-05-11

公开（公告）日：2024-03-29

公开（公告）号：CN111784628B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/10

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2020.11.03#实质审查的生效;2020.10.16#公开

摘要：本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。

主权项：1.基于有效学习的端到端的结直肠息肉分割方法，其特征在于，该方法包括以下步骤：步骤1：对初始结直肠CT图像数据集进行数据预处理；步骤2：根据选用的网络结构进行网络搭建；步骤3：准备训练集，让数据预处理后的直肠CT图像数据集在搭建好的网络上进行训练，获得初始直肠CT图像分割模型；步骤4：通过有效学习损失函数衡量直肠CT图像分割模型预测的好坏；步骤5：使用最小化有效学习损失函数的方式不断优化网络分割模型，最后得到是分割结果达到最优的网络模型；所述步骤2中，选用U-net网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割；把U-net和CRF-RNN结合在一起作为一整个深度网络进行训练，U-net输出每个的像素点属于每个类别的概率值，即标签分数图，把此标签分数图作为能量方程的一元势函数；把迭代条件随机场CRF推断作为循环神经网络RNN，在每次迭代中的平均场中使用高斯空间和双边滤波器作近似值，分类结果为两类：目标区域和背景，网络最后使用Sigmoid激活函数；有效学习损失函数的设计如下：结合Focal因子和边界感知因子得到适用于占比不平衡且对边缘像素敏感的目标损失函数——有效学习损失函数，损失函数表示为： 其中fix为像素i预测属于目标区域的概率，则取1-fix为表征难以程度的调节因子，此时使用1-fixr加权会增强训练误差在损失函数中的贡献，r为权值，大于0；wE是边界感知因子，给与边缘像素更多的关注以提高轮廓分割的精度；N是图像中像素的总个数； 在边界感知因子中，和是像素i的水平、垂直和对角线梯度；如果的值大于阈值ξ，则将像素i作为边缘像素，Θ*为指标函数，w0为权重值。

全文数据：

权利要求：

百度查询： 北京工业大学 基于有效学习的端到端的结直肠息肉图像分割方法

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