申请/专利权人：陕西师范大学

申请日：2022-01-10

公开（公告）日：2024-04-05

公开（公告）号：CN114419064B

主分类号：G06T7/11

分类号：G06T7/11;G06N3/0455;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.05.20#实质审查的生效;2022.04.29#公开

摘要：一种基于RN‑DoubleU‑Net网络的乳腺腺管区域图像分割方法，由数据集预处理、构建RN‑DoubleU‑Net网络模型、训练RN‑DoubleU‑Net网络、保存模型、验证RN‑DoubleU‑Net网络、测试RN‑DoubleU‑Net网络步骤组成。DoubleU‑Net网络模型由两个Unet子网络串连而成，其中每一个Unet子网络分别由编码器、空洞卷积和解码器三部分依次串连构成。由一个普通卷积块与三个残差卷积块构成的深度残差网络模块，作为第二个Unet子网络的编码器，构建成RN‑DoubleU‑Net网络，对乳腺腺管区域图像进行分割，利用图像中的有效信息，准确分割图像中的乳腺腺管区域图像。采用本发明与现有的图像分割方法进行了对比实验，实验结果表明，本发明具有分割乳腺腺管区域图像准确、分割精度高、分割速度快等优点，可用于自动分割乳腺腺管区域图像。

主权项：1.一种基于RN-DoubleU-Net网络的乳腺腺管区域图像分割方法，其特征在于由下述步骤组成：1数据集预处理取乳腺腺管区域数据集图片398张，图片大小为2000×2000像素；1将乳腺腺管区域数据集像素值归一化到[0,1]，切分成尺寸为512×512像素的图片；2将切分后的数据集按8：1：1的比例分为训练集、验证集、测试集；2构建RN-DoubleU-Net网络模型RN-DoubleU-Net网络模型由第一Unet子网络和第二Unet子网络连接构成，第一Unet子网络的输出与第二Unet子网络的输入相连；第一Unet子网络由第一子网络编码器、第一子网络空洞卷积、第一子网络解码器依次串连构成，第二Unet子网络由第二子网络编码器、第二子网络空洞卷积、第二子网络解码器依次串连构成；所述第二子网络编码器由普通卷积块与第一残差卷积块、第二残差卷积块、第三残差卷积块依次串联构成；所述的普通卷积块由1个大小为7×7步长为2的编码卷积核、1个池化大小为3×3步长为2的池化层串联接构成；所述的第一残差卷积块由3个依次串联的残差单元构成，第一个残差单元由4个编码卷积核依次串联而成，第二个编码卷积核的大小为3×3步长为1，第一、第三、第四个编码卷积核的大小为1×1步长为1；第二和第三个残差单元均由3个编码卷积核依次串联而成，每个残差单元的第二个编码卷积核大小为3×3步长为1，第一和第三个编码卷积核大小为1×1步长为1；所述的第二残差卷积块由4个依次串联的残差单元构成，第一个残差单元由4个编码卷积核依次串联而成，第一和第四个编码卷积核的大小为1×1步长为2，第二个编码卷积核的大小为3×3步长为1，第三个编码卷积核的大小为1×1步长为1；第二至四个残差单元均由3个编码卷积核依次串联构成，每个残差单元的第二个编码卷积核大小为3×3步长为1，第一和第三个编码卷积核大小为1×1步长为1；所述的第三残差卷积块由6个依次串联的残差单元构成；第一个残差单元由4个编码卷积核依次串联而成，第一个和第四个编码卷积核的大小为1×1步长为2，第二个编码卷积核的大小为3×3步长为1，第三个编码卷积核的大小为1×1步长为1；第二至第六个残差单元均由3个编码卷积核依次串联构成，每个残差单元的第二个编码卷积核大小为3×3步长为1，第一和第三个编码卷积核大小为1×1、步长为1；第二子网络编码器的输入与第一子网络解码器的输出相连；3训练RN-DoubleU-Net网络1确定目标函数目标函数包括损失函数Ldice和评价函数F1，按下式确定损失函数Ldice： 其中，X表示真实值，X∈{x1,x2,...xn}，Y表示预测值，Y∈{y1,y2,...yn}，n是元素的个数、为有限的正整数；按下式确定的评价函数F1： 其中，P是精准率，P∈[0,1],R是召回率，R∈[0,1]，T是真阳性，T∈[0,1]，F是假阳性，F∈[0,1],N是假阴性，N∈[0,1]，且P、R、T、F、N不同时为0；2训练RN-DoubleU-Net网络将训练集送入到RN-DoubleU-Net网络中进行训练，在训练的过程中，RN-DoubleU-Net网络的学习率γ∈[10-5,10-3]，优化器采用自适应矩的估计优化器，迭代至损失函数收敛；4保存模型在训练RN-DoubleU-Net网络的过程中，用深度学习框架不断更新权重，保存权重文件；5验证RN-DoubleU-Net网络将验证集输入到RN-DoubleU-Net网络中进行验证；6测试RN-DoubleU-Net网络将测试集输入到RN-DoubleU-Net网络中进行测试，加载保存的权重文件，得到乳腺腺管区域图像。

全文数据：

权利要求：

百度查询： 陕西师范大学 基于RN-DoubleU-Net网络的乳腺腺管区域图像分割方法

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