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: 2022116119458
申请人: 湖南工商大学
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:

1.一种基于可变形U‑Net的自适应医学图像分割方法,其特征在于,包括:步骤1,获取样本医学图像数据集并进行图像增强操作,得到训练图像集和验证图像集及其对应的标签集;

步骤2,构建基于可变形U‑Net的初始自适应医学图像分割模型并利用训练图像集及其对应的标签集进行模型训练;

步骤3,利用验证图像集及其对应的标签集,进行基于可变形U‑Net的自适应医学图像分割模型的验证,利用随机数种子,对模型的参数进行调整优化,获得表现最佳的基于可变形U‑Net的目标自适应医学图像分割模型;

步骤4,将待分割医学图像输入目标自适应医学图像分割模型,得到病灶区域分割结果。

2.根据权利要求1所述的方法,其特征在于,所述步骤1具体包括:使用归一化和对比度受限的自适应直方图均衡增强样本医学图像数据集的前景背景对比度;

引入伽马校正提高样本医学图像数据集的图像质量;

使用随机旋转、随机缩放和随机弹性变形方式对样本医学图像数据集进行数据增强,得到训练图像集和验证图像集及其对应的标签集。

3.根据权利要求2所述的方法,其特征在于,所述自适应医学图像分割模型包括编码器、解码器以及编码器‑解码器之间的残差注意力卷积模块和多尺度深度监督模块。

4.根据权利要求3所述的方法,其特征在于,所述步骤2具体包括:步骤2.1,多尺度可变形卷积编码模块在编码器上多尺度提取特征,可变形残差间隔跳跃解码模块在解码器上促进特征向上进行传递利用;

步骤2.2,残差注意力卷积模块优化编码器和解码器之间的语义差距,从通道和空间上的注意力抑制无关特征,突出有效特征,自适应促进编码器到解码器之间的特征传递;

步骤2.3,通过多尺度深度监督模块将解码器不同位置特征图进行预测输出,约束学习特征在各个阶段的判别和鲁棒性,提高网络训练效率;

步骤2.4,根据预测分割结果和标签集计算Dice loss损失函数和Focal loss损失函数;

步骤2.5,采用Adam优化器,以准确率Dice和IoU作为评价标,设置每个数据集上实验的批处理大小和学习率,迭代步骤2.1至2.4预设次数。

5.根据权利要求4所述的方法,其特征在于,所述编码器包括4个可变形卷积模块、4个下采样操作和3个间隔跳跃连接;

所述解码器包括4个可变形卷积残差模块和4个上采样操作。

6.根据权利要求5所述的方法,其特征在于,所述步骤2.1具体包括:编码器上在两次可变形卷积模块之前的特征进行一次4X4的池化操作,再进行一次1X1的卷积操作缩小通道数,将得到的特征与经过两次可变形模块和下采样操作提取到的特征相拼接;

解码器上在两次可变形卷积模块之前进行一次4X4的上采样操作,在进行一次1X1的卷积操作保持与经过两个可变形模块和两次上采样操作的特征图相同的通道数,将得到的特征图与经过两个可变形模块和两次上采样操作的特征图进行逐像素相加。

7.根据权利要求5所述的方法,其特征在于,所述步骤2.3具体包括:分别在从上往下的4个可变形卷积残差模块添加多尺度深度监督,并分别将其上采样还原至图像大小,然后进行一次普通卷积操作和sigmoid操作,得到4个预测图像标签;

将得到的4个图像标签进行拼接操作,然后再进行一次1 X1普通卷积操作和sigmoid操作,得到1个预测图像标签,将这个预测图像预测标签和原先的4个图像预测标签分别同原图像标签进行loss计算,通过在解码器添加多尺度深度监督,将不同位置map进行级联,得到预测分割结果。

8.根据权利要求5所述的方法,其特征在于,所述残差注意力卷积模块包括残差模块和CBAM卷积注意力机制模块。

9.根据权利要求8所述的方法,其特征在于,本文损失函数为,

其中, 为第m个侧边输出的损失,是Focal loss和Dice loss损失之和, 为第m个损失项的权重;

所述Focal loss损失函数的表达式为

,

其中, 为控制类别不平衡的参数, 为控制样本难易程度的参数, 为预测标签与真实标签的接近程度参数;

所述Dice loss损失函数的表达式为

,

其中, 为集合相似度度量函数, 表示样本X和样本Y之间交集元素的个数, 表示样本X和样本Y中元素个数。