申请/专利权人：浙江工业大学

申请日：2021-06-16

公开（公告）日：2024-04-16

公开（公告）号：CN113470046B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/764;G06V10/82;G06V10/54;G06V10/25;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.10.26#实质审查的生效;2021.10.01#公开

摘要：一种面向医学图像超像素灰度纹理采样特征的图注意力网络分割方法，包括以下步骤：步骤一：超像素分割；步骤二：提取超像素灰度纹理采样特征；步骤三：超像素构图；步骤四：超像素真值标签设定；步骤五：训练多头注意力网络模型；步骤六：超像素分类与图像分割。本发明提出了一种分割精度高、运行效率高的医学图像图注意力网络分割方法，降低了医学图像分割任务的数据处理规模，提高了其分割模型的训练速度。

主权项：1.一种面向医学图像超像素灰度纹理采样特征的图注意力网络分割方法，其特征在于：所述方法包括如下步骤：步骤一：将医学图像I的各个像素点表示为一个四维向量pxy＝[l,e,x,y]，把CT像素值l、边缘强度值e和像素空间坐标x,y分别进行归一化映射到区间[0,1]，e使用Canny算法未经非极大值抑制时的结果，设定医学图像的超像素目标数目K，用基于边缘概率的超像素生成算法将医学图像I划分为K个超像素；步骤二：提取超像素灰度采样特征与纹理特征，对任一超像素Sk内各像素点的灰度值进行降序排序，并对其进行均匀采样，将Sk划分为m份，每份含||Sk||m个像素点，||Sk||为超像素Sk内像素点的数目，并提取超像素区域灰度共生矩阵GLCM在[0,π4,π2,3π4]四个方向上特征，其中每个方向上计算5个能代表区域纹理的特征，将超像素Sk转化为灰度纹理特征表示：Sk＝g1,...,gi,…,gm,con,cor,dis,hmg,eng，其中gi为超像素Sk第i份内各像素点的灰度平均值，con、cor、dis、hmg、eng分别为GLCM在四个方向上的对比度、互相关系数、相异度、同质性和能量；步骤三：根据超像素的邻接关系，构建出超像素节点图，用图G＝V,E表示，V和E分别为由超像素特征构成的节点集和超像素邻接关系构成的边集；步骤四：为超像素节点图G的每个超像素Sk分配真值标签，如果Sk和真值前景的交集与超像素面积相比大于阈值，则将Sk的标签置为1，反之则将Sk的标签置为0，其中阈值不小于0.5；步骤五：将有标签的超像素节点图G输入多头的图注意力网络进行训练，直到损失函数Loss收敛或达到最大迭代步数，其中图注意力模块采用L层，L2，设置中间层为k1个注意力头、输出层为k2个注意力头，其中k1k2，网络更新参数时的损失函数Loss为 其中ytrue为真实值的集合，ypred为预测值的集合，||ypred∩ytrue||为真实值与预测值交集的元素和，||ypred||为预测集合的元素和，||ytrue||为真实值集合的元素和；步骤六：将待分割的医学图像输入训练好的基于超像素灰度采样特征的多头图注意力网络，实现超像素节点的分类，得到医学图像分割结果。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种面向医学图像超像素灰度纹理采样特征的图注意力网络分割方法

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