龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：哈尔滨理工大学
申请日：2023-12-07
公开（公告）日：2024-05-03
公开（公告）号：CN117974676A
主分类号：G06T7/10
分类号：G06T7/10;G06T7/00;G06N3/0475;G06N3/0455;G06N3/0464;G06N3/094
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.05.21#实质审查的生效;2024.05.03#公开
摘要：本发明提供了一种基于SwinUnet和生成对抗网络的一种创新的医学图像分割模型，模型由生成器网络和判别器网络两部分结合而成，生成器是基于SwinTransformer构成的U型网络结构，判别器则是基于卷积神经网络构建的判别网络。将原本的SwinUnet和生成对抗网络结合，有助于将原本生成的预测图像进一步优化，通过生成器和判别器的对抗训练，让预测结果越来越接近真实标签，使分割效果越来越好，并且通过使用混合损失函数代替单一的损失函数，使得模型的预测结果更加准确，进而提高图像分割的准确性和鲁棒性。实验结果表明，改进后的算法在两个指标上分别提高和降低了1.23％和2.28％，符合预期的效果。
主权项：1.基于SwinUnet和生成对抗网络的医学图像分割算法，其特征包括以下步骤：步骤1：生成器：将SwinUnet作为整个网络的生成器部分。步骤2：判别器：将全卷积神经网络作为判别器部分。步骤3：损失函数：进行对抗训练是为了让生成网络的损失函数最小化，从而让判别器的输出最大化。这样能让网络达到比较好的分割性能，生成器网络损失函数采用DSC损失函数和二元交叉熵损失函数（BinaryCrossEntropy,BCE）的混合损失函数，提高图像分割的准确性和鲁棒性。
全文数据：
权利要求：
百度查询： 哈尔滨理工大学 基于SwinUnet和生成对抗网络的医学图像分割方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号