申请/专利权人：湖南科技大学

申请日：2024-02-28

公开（公告）日：2024-05-07

公开（公告）号：CN117994521A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/42;G06V10/44;G06V10/52;G06V10/80;G06V10/82;G06N3/0464;G06N3/0455;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明公开了一种基于双尺度混合网络的腹部CT图像多器官分割方法，具体实现为：1建立包含原始图像和其对应分割金标准的训练数据集；2构建一种基于双尺度的混合编解码网络，其中编码器采用双尺度输入，通过充分利用Transformer和CNN优势，提取图像多尺度特征，解码器则通过逐步融合不同尺度特征获取精确的分割结果；4利用训练数据集对网络进行训练，直至预先设定的损失函数收敛；5运用训练好的网络对待分割的图像进行测试，得到分割结果。本发明可在编码端不同层级充分提取图像局部和全局信息，可适应形态多样、结构复杂的腹部器官，获取精确的分割结果。

主权项：1.一种基于双尺度混合网络的腹部CT图像多器官分割方法，其特征在于，包括以下步骤：1建立包含原始图像和其对应分割金标准的训练数据集A；2构建一种基于双尺度的混合编解码网络，称之为DS-Net，具体包括：2-a对输入图像分别进行大尺度和小尺度分块，具体包括：对于尺寸为W×H的输入图像，分别将其分为不重叠的大尺度子块SL和不重叠的小尺度子块SS；2-b构建一种带跳跃连接的编解码结构作为基本网络框架，编码器包含四个编码块，第一个、第二个和第三个编码块结构相同，均包含一个带下采样的双尺度Transformer块、两个局部特征增强模块和一个双尺度融合模块；第四个编码块包含一个双尺度Transformer块、两个局部特征增强模块和一个双尺度融合模块；解码器包含四个解码块和一个线性预测头；第一个解码块包含一个步长为s的上采样操作；第二个、第三个和第四个解码块结构相同，均由一个拼接操作、一个1×1卷积和一个步长为s的上采样操作依次连接组成；第四个编码块中双尺度融合模块的输出作为第一个解码块中上采样操作的输入；第一个解码块中上采样的输出和第三个编码块中双尺度融合模块的输出均作为第二个解码块中拼接操作的输入；第二个解码块中上采样的输出和第二个编码块中双尺度融合模块的输出均作为第三个解码块中拼接操作的输入；第三个解码块中上采样的输出和第一个编码块中双尺度融合模块的输出均作为第四个解码块中拼接操作的输入；第四个解码块中上采样的输出作为线性预测头的输入，线性预测头的输出即为多器官分割结果；2-c步骤2-b所述的带下采样的双尺度Transformer块，记作Dwon-DS-Trans块，包含两个输入和四个输出，具体操作包括：将两个输入分别输入两条平行独立的分支，每条分支均由N个CSWinTransformer块和一个步长为s的下采样操作依次连接组成，取每条分支中第N个CSWinTransformer块的输出和下采样操作的输出作为带下采样的双尺度Transformer块的输出；2-d步骤2-b所述的双尺度Transformer块，包含两个输入和两个输出，具体操作包括：将两个输入分别输入两条平行独立的分支，每条分支均由N个CSWinTransformer块依次连接组成，取每条分支中第N个CSWinTransformer块的输出作为双尺度Transformer块的输出；2-e步骤2-b所述的第一个、第二个和第三个编码块，具体结构包括：Dwon-DS-Trans块中每个分支的第N个CSWinTransformer块的输出分别与一个局部特征增强模块相连，且局部特征增强模块的输出均作为双尺度融合模块的输入，双尺度融合模块的输出作为当前编码块的输出；步骤2-b中不重叠的大尺度子块SL和小尺度子块SS作为第一个编码块的输入，分别输入至Dwon-DS-Trans块中的两个平行独立分支；第一个编码块中Dwon-DS-Trans块的下采样操作的输出作为第二个编码块的输入，分别输入至第二个编码块中Dwon-DS-Trans块的两个平行独立分支；第二个编码块中Dwon-DS-Trans块的下采样操作的输出作为第三个编码块的输入，分别输入至第三个编码块中Dwon-DS-Trans块的两个平行独立分支；第三个编码块中Dwon-DS-Trans块的下采样操作的输出作为第四个编码块的输入，分别输入至第四个编码块中双尺度Transformer块的两个平行独立分支；2-f步骤2-b所述的第四个编码块，具体结构包括：双尺度Transformer块中每个分支的第N个CSWinTransformer块的输出分别与一个局部特征增强模块相连，且局部特征增强模块的输出均作为双尺度融合模块的输入，双尺度融合模块的输出作为第四个编码块的输出；2-g步骤2-b所述的局部特征增强模块，具体结构包括：对于特征I，首先将I分别输入三条独立的特征提取分支，其中，第一条分支由3×3卷积、深度卷积和GeLU激活层依次连接组成，第二条分支由3×3卷积、GeLU激活层、3×3卷积、GeLU激活层依次连接组成，第三条分支由深度卷积、GeLU激活层、深度卷积、GeLU激活层依次连接组成，然后将三条分支的输出O1、O2和O3进行拼接，并对拼接结果依次执行3×3卷积和层归一化，得到局部特征增强模块的输出；2-h步骤2-b所述的线性预测头，由一个1×1卷积和Softmax层依次连接组成；3采用训练数据集A对DS-Net进行训练，直至预先设置的损失函数收敛；优选结合Dice和交叉熵的混合损失函数作为网络训练的目标函数；4利用训练好的网络对待分割图像进行测试，得到分割结果。

全文数据：

权利要求：

百度查询： 湖南科技大学 一种基于双尺度混合网络的腹部CT图像多器官分割方法

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