申请/专利权人：合肥工业大学

申请日：2021-07-13

公开（公告）日：2024-04-19

公开（公告）号：CN113763386B

主分类号：G06T7/10

分类号：G06T7/10;G06V10/44;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.12.24#实质审查的生效;2021.12.07#公开

摘要：本发明提供一种基于多尺度特征融合的手术器械图像智能分割方法和系统，涉及手术器械图像分割领域。本发明首先构建多尺度特征融合的轻量级网络架构，包括预先训练的编码器和解码器。将预处理得到高分辨率图像输入编码器的第一卷积神经子网络，低分辨图像输入编码器的第二卷积神经子网络，分别获取大尺度图像特征信息和小尺度图像特征信息；采用级联方式对维度大小相同的大尺度图像特征信息和小尺度图像特征信息进行融合；将最终图像特征信息输入解码器，以及将各个融合特征信息跳层连接至各个解码单元执行上采样操作，获取手术器械图像智能分割结果。相较于传统的深度学习方法，获取的手术器械图像分割结果具有较高的准确性，降低模型的推理时间。

主权项：1.一种基于多尺度特征融合的手术器械图像智能分割方法，其特征在于，该方法首先构建多尺度特征融合的轻量级网络架构，所述轻量级网络架构包括预先训练的编码器和解码器，所述编码器包括并联的第一卷积神经子网络和第二卷积神经子网络；所述方法包括：S1、预处理手术器械图像，获取高分辨率图像和低分辨图像，所述高分辨率图像的分辨率为所述低分辨率图像的两倍；S2、将所述高分辨率图像输入所述第一卷积神经子网络，获取对应的各个隐藏层中最后一卷积层输出的大尺度图像特征信息；将所述低分辨图像输入所述第二卷积神经子网络，获取对应的各个隐藏层中最后一卷积层输出的小尺度图像特征信息，以及获取所述第二卷积神经子网络输出的最终图像特征信息；S3、采用级联方式对维度大小相同的所述大尺度图像特征信息和小尺度图像特征信息进行融合，获取不同维度大小的融合特征信息；S4、将所述最终图像特征信息输入所述解码器的第一个解码单元，以及将各个所述融合特征信息跳层连接至所述解码器的各个解码单元执行上采样操作，获取手术器械图像智能分割结果；所述S2中第一卷积神经子网络的结构包括：第一输入层，卷积层Conv1、Conv2、最大池化层pool1，卷积层Conv3、Conv4、最大池化层pool2，卷积层Conv5、Conv6、Conv7、最大池化层pool3，卷积层Conv8、Conv9、Conv10、最大池化层pool4；第二卷积神经子网络的结构包括：第二输入层，与所述第一卷积神经子网络参数相同但不共享权重的卷积层Conv5、Conv6、Conv7、最大池化层pool3、卷积层Conv8、Conv9、Conv10、最大池化层pool4，卷积层Conv11、Conv12、Conv13、最大池化层pool5，全连接层；所述S3具体包括：S31、采用卷积核大小为3*3的卷积操作对各个所述大尺度图像特征信息进行降维操作，获取与对应的所述小尺度图像特征信息维度相同的转化图像特征信息； 其中，表示第一卷积神经子网络对应的第i个隐藏层中最后一卷积层对应的转化图像特征信息；ReLU表示激活函数；w表示3*3的卷积操作的权重；b表示3*3的卷积操作的偏置；表示第一卷积神经子网络第i个隐藏层中最后一卷积层输出的大尺度图像特征信息；S32、采用级联方式将维度大小相同的所述大尺度图像特征信息和小尺度图像特征信息进行融合，获取不同维度大小的融合特征信息 其中，表示不同维度大小的融合特征信息；表示第二卷积神经子网络对应的第i-1个隐藏层中最后一卷积层输出的小尺度图像特征信息。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统

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