申请/专利权人：桂林电子科技大学

申请日：2022-04-25

公开（公告）日：2024-04-26

公开（公告）号：CN114742917B

主分类号：G06T11/00

分类号：G06T11/00;G06T7/10;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;2022.07.29#实质审查的生效;2022.07.12#公开

摘要：本发明公开一种基于卷积神经网络的CT图像分割方法，先利用给定的已分割的CT图像对构建的分割模型中对其进行训练，再将待分割的CT图像送入训练好的分割模型中，得到分割好的CT图像。本发明的分割模型EfficientNetV2‑UNet以由EfficientNetV2模型中的特征提取器部分作为主干网络，该主干网络中包含5个注意力机制模块2个融合‑移动翻转卷积块和3个移动翻转卷积块。分割模型的特征提取器部分进行特征的有效提取，且使模型更小、训练速度更快，多尺度的信息提取，细节与“较粗”抽象信息都得到有效的提取与保留，在降低了噪声的影响的同时最大限度的保留模糊边界的梯度信息，分割精度更高。

主权项：1.一种基于卷积神经网络的CT图像分割方法，其特征是，包括步骤如下：步骤1、构建分割模型；该分割模型由2个融合-移动翻转卷积块、3个移动翻转卷积块、5个转换块、5个反卷积块、4卷积块和1个输出块组成；融合-移动翻转卷积块由2个卷积层和1个沙漏层组成；第一个卷积层的输入作为融合-移动翻转卷积块的输入，第一个卷积层的输出连接沙漏层的输入，沙漏层的输出连接第二个卷积层的输入，第二个卷积层的输出作为融合-移动翻转卷积块的输出；第一个卷积层的输入与第二个卷积层的输出直连；移动翻转卷积块由2个卷积层、1个分离卷积层和1个沙漏层组成；第一个卷积层的输入作为移动翻转卷积块的输入，第一个卷积层的输出连接分离卷积层的输入，分离卷积层的输出连接沙漏层的输入，沙漏层的输出连接第二个卷积层的输入，第二个卷积层的输出作为移动翻转卷积块的输出；第一个卷积层的输入与第二个卷积层的输出直连；第一融合-移动翻转卷积块和第一转换块的输入作为分割模型的输入；第一融合-移动翻转卷积块中的输出连接第二融合-移动翻转卷积块和第二转换块的输入；第二融合-移动翻转卷积块的输出连接第一移动翻转卷积块和第三转换块的输入；第一移动翻转卷积块的输出连接第二移动翻转卷积块和第四转换块的输入；第二移动翻转卷积块的输出连接第三移动翻转卷积块和第五转换块的输入；第三移动翻转卷积块的输出连接第一反卷积块的输入；第一反卷积块和第五转换块的输出进行堆叠后连接第一卷积块的输入，第一卷积块的输出连接第二反卷积块的输入；第二反卷积块和第四转换块的输出进行堆叠后连接第二卷积块的输入，第二卷积块的输出连接第三反卷积块的输入；第三反卷积块和第三转换块的输出进行堆叠后连接第三卷积块的输入，第三卷积块的输出连接第四反卷积块的输入；第四反卷积块和第二转换块的输出进行堆叠后连接第四卷积块的输入，第四卷积块的输出连接第五反卷积块的输入；第五反卷积块和第一转换块的输出进行堆叠后连接输出块的输入，输出块的输出作为分割模型的输出；步骤2、将给定的已分割的CT图像进行预处理后送入到步骤1所构建的分割模型中对其进行训练，得到训练好的分割模型；步骤3、将待分割的CT图像进行预处理后送入到步骤2所训练好的分割模型中，得到分割好的CT图像。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于卷积神经网络的CT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