欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022115636601
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种用于淋巴瘤PET图像3D分割任务的神经网络模型,其特征在于:所述神经网络模型基于U型编码器‑解码器结构,所述U型编码器‑解码器结构具有五层,每一层的编码部分都包括循环残差卷积模块和多尺度卷积模块,所述循环残差卷积模块用于对输入图像进行编码,所述多尺度卷积模块用于对编码器输出的特征图像进行特征增强;相邻两层编码器之间通过最大池化层和上采样层进行连接,所述最大池化层用于压缩特征和简化网络,所述上采样层用于提高高级抽象特征图像分辨率和数据增强,便于与所述多尺度卷积模块增强过的低级表层特征高分辨率图像进行特征融合;每一层都包含解码器部分,所述解码器用于解码特征融合后的编码图像。

2.根据权利要求1所述的神经网络模型,其特征在于:所述循环残差卷积模块包括一层循环残差卷积层和一层3×3×3的卷积层,所述循环残差卷积层由一层3×3×3的卷积层结合残差模块循环卷积两次组成。

3.根据权利要求1所述的神经网络模型,其特征在于:所述多尺度卷积模块有4层,第一层由一层1×1×1的卷积层、1×1×1的卷积层和卷积核为3×3×3、扩张率为1的空洞卷积组成;第二层由一层1×1×1的卷积层、3×3×3的卷积层和卷积核为3×3×3、扩张率为2的空洞卷积组成;第三层由一层1×1×1的卷积层、5×5×5的卷积层和卷积核为3×3×3、扩张率为4的空洞卷积组成;第二层由一层1×1×1的卷积层、7×7×7的卷积层和卷积核为3×3×3、扩张率为8的空洞卷积组成。

4.根据权利要求3所述的神经网络模型,其特征在于:所述多尺度卷积模块从第二层起,上一层的输出结合本层的1×1×1的卷积层的输出相融合,再输入后面的卷积层。

5.根据权利要求3所述的神经网络模型,其特征在于:所述循环残差卷积模块的输出直接输入多尺度卷积模块,所述多尺度卷积模块一共有4层,可根据输入的图像尺寸裁剪层数。

6.根据权利要求3所述的神经网络模型,其特征在于:所述多尺度卷积模块每一层的1×1×1的卷积层的将图像输入通道数N减为N/T,其中T为所述多尺度卷积模块选择的层数;

最后将所有层的输出相融合恢复通道数N,再通过一个一层1×1×1的卷积层输出。

7.根据权利要求1所述的神经网络模型,其特征在于:所述神经网络模型还能够将所述多尺度卷积模块输出的特征与底层解码特征相结合,并输入解码器解码。

8.根据权利要求1所述的神经网络模型,其特征在于,所述神经网络模型还结合了FocalLoss和DiceLoss作为损失函数Loss,具体数学表达式为:γ

FocalLoss(pt)=‑(1‑pt) log pt

其中,Loss表达式中,a、b为FocalLoss和DiceLoss的权重常量,N为每次训练的数据个数;FocalLoss表达式中,y∈{1,‑1}为groundtruth类别,p∈[0,1]是模型对于y=1的预测概率,γ≥0为可调的focusing参数;DiceLoss表达式中,集合X、Y分别为预测值或真实值。

9.根据权利要求1所述的神经网络模型,其特征在于:所述神经网络模型学习率调整策略使用幂函数,具体数学表达式为:其中,lr为初始学习率,n为当前训练次数,maxEpoch为最大训练数,γ为指数。