申请/专利权人：大连理工大学

申请日：2023-12-27

公开（公告）日：2024-04-02

公开（公告）号：CN117809031A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/44;G06V10/82;G06V10/80;G06N3/0464;G06N3/045;G06N3/0895;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明提供一种基于自监督学习的多模态图像分割方法，首先，数据集的处理后，利用适应不同模态输入的多编码路径‑单解码路径网络进行分割。其次，为了鼓励网络学习不同模态的重要的语义特征，设计应用于瓶颈层的特征融合策略和跳跃连接注意力机制。最后，同使用自监督学习缓解数据集数量较少的问题。本发明利用自监督学习策略，从多模态图像数据中提取并结合丰富的信息，能够实现准确的图像分割，并在软组织肉瘤数据集上进行了测试。实验结果表明，与传统方法相比，本发明的方法能够更精确地定位和分割，为医学影像分析提供了有力支持。这种方法不仅适用于软组织肉瘤多模态MRI影像分割，还可在其他多模态图像分割任务中得到广泛应用。

主权项：1.一种基于自监督学习的多模态图像分割方法，其特征在于，所述多模态图像分割方法首先，采集多模态图像，预处理后得到多模态图像数据集；然后，基于多模态图像数据集存在的潜在相关关系，利用多个编码器对不同模态图像进行特征提取；其次，为了鼓励模型学习不同模态的重要语义特征，设计应用于瓶颈层的特征融合策略和跳跃连接注意力机制激励模型筛选重要的特征信息用于图像分割；最后，使用自监督学习策略，结合图像重建任务对网络进行预训练。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于自监督学习的多模态图像分割方法

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