申请/专利权人:北京长木谷医疗科技股份有限公司;张逸凌
申请日:2023-02-21
公开(公告)日:2024-04-26
公开(公告)号:CN116188492B
主分类号:G06T7/11
分类号:G06T7/11;G06T7/00;G06V10/774;G06V10/764;G06V10/80;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.26#授权;2023.08.08#著录事项变更;2023.06.16#实质审查的生效;2023.05.30#公开
摘要:本申请提供了一种髋关节分割方法、装置、电子设备及计算机可读存储介质。该髋关节分割方法,包括:获取待分割的髋关节图像;将髋关节图像输入预设的髋关节分割模型,输出髋关节分割结果;其中,髋关节分割模型是基于改进后的LadderNet网络经过模型训练得到的,改进后的LadderNet网络是在LadderNet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络,用于增强对髋关节图像边界特征的分割;并且,在LadderNet网络的最后一层添加深度聚合金字塔网络,用于提取不同层级不同尺度的卷积特征,挖掘髋关节图像最后一层的特征信息,以定位分割位置。根据本申请实施例,能够更加准确地进行髋关节分割。
主权项:1.一种髋关节分割方法,其特征在于,包括:获取待分割的髋关节图像;将所述髋关节图像输入预设的髋关节分割模型,输出髋关节分割结果;其中,所述髋关节分割模型是基于改进后的LadderNet网络经过模型训练得到的,所述改进后的LadderNet网络是在LadderNet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络,用于增强对髋关节图像边界特征的分割;并且,在所述LadderNet网络的最后一层添加深度聚合金字塔网络,用于提取不同层级不同尺度的卷积特征,挖掘髋关节图像最后一层的特征信息,以定位分割位置;改进的LadderNet网络结构利用端到端的全卷积网络来分割图像;LadderNet网络是一个多U形网的链,本申请使用的网络结构由两个U型网络组成,最终对两个U型网络的特征求和输出;一个U型网络有多对编码器-解码器分支,并且在每一层的每一对相邻的解码器分支和编码器分支之间都有跳跃连接,这里在跳跃连接中添加注意力机制,增强对边界特征的分割;在网络最后一层使用深度聚合金字塔网络,该网络用来提取不同层级不同尺度的卷积特征,深度挖掘最后一层的特征信息;在卷积层使用残差卷积,用来减少特征丢失;该注意力机制网络结构由位置注意模块和通道注意模块组成,在不同尺度上利用空间和通道注意力捕获更多上下文信息;通道注意模块用于有选择地加权每个通道的重要性,通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射;位置注意力模块通过所有位置处的特征的加权和来选择性地聚合每个位置的特征;将两个注意模块的输出相加以进一步改进特征表示;深度聚合金字塔网络结构,将5×5或7×7的卷积核提取的上下文与更深层次的信息流进行整合,通过对不同深度的卷积核与不同大小的卷积核进行整合形成多尺度特征;该网络以164图像分辨率的特征映射为输入,采用指数步长的大池核生成1128、1256、1512图像分辨率的特征映射;并且,利用全局平均池生成的输入特征图和图像级信息;同时为了获得更多的上下文信息,对特征图进行上采样,然后使用更多的3×3卷积,以分层残差的方式融合不同尺度的上下文信息;该结构确保在不丢失分辨率的情况下,仍然扩大感受野。
全文数据:
权利要求:
百度查询: 北京长木谷医疗科技股份有限公司;张逸凌 髋关节分割方法、装置、电子设备及计算机可读存储介质
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。