申请/专利权人：新疆大学

申请日：2022-04-15

公开（公告）日：2022-07-29

公开（公告）号：CN114820634A

主分类号：G06T7/10

分类号：G06T7/10;G06N3/04;G06N3/08;G06T5/40;G06T5/50

优先权：

专利状态码：在审-公开

法律状态：2022.07.29#公开

摘要：本发明公开了一种融合SwinTransformer和CNN的肝肿瘤图像分割方法，涉及医学图像处理技术领域，该热粘合隐形袜的制造方法分为：裁剪、缝合、定位、粘合、冲片、缝合六步进行，该热粘合隐形袜采用弹性针织面料制造，分为袜底、袜帮、后跟点塑片和热熔胶膜四部分组成。其中袜底和袜帮作为产品主身构件，而后跟点塑片起到防脱落，防滑的作用；热熔胶膜主要用于罗口及后跟，其特征为轻薄，平整，有弹性，穿着舒适；袜帮和袜底通过数控缝纫机缝合，罗口及后跟热熔胶粘合。该热粘合隐形袜产品美观、轻薄、平整、有弹性、工序少、成本低。

主权项：1.一种融合SwinTransformer和CNN的肝肿瘤图像分割方法，其特征在于：所述融合SwinTransformer和CNN的肝肿瘤图像分割方法包括如下步骤：1数据获取和基本分割模型选取:1数据获取。本发明所有实验使用的都是MICCAI2017和ISBI2017联合举办的肝脏肿瘤分割挑战赛LiverTumorsegmentationchallenge,LiTS所公开的数据集；2基本分割模型选取，在实验部分使用TransUNet作为基础模型，在上边进行改进；2数据预处理：首先通过对每一层提取变为二维图像，共得到4522张图片，分辨率都为224×224，按照7:3的比例划分为训练集、验证集；3确定损失函数：采用Dice损失函数和交叉熵损失函数混合后的损失函数，详细公式如下：L＝αLDice+1-αLCE#14确定评价指标：下面所有式子中，TP和TN表示分类正确的像素点数量，FP表示为其它区域被错误的分类为目标的个数，FN表示为目标区域被错误的分类为其它区域的像素个数；1Dice系数DiceSimilrityCoefficient： 2交并比IOU： 3精确率Precision： 4召回率Recall： 5分割模型搭建：1混合编码器模块：本发明提出了一种混合编码器结构，该编码器共有两个分支所构成：CNN分支和SwinTransformer分支，每个分支都是编码器的重要组成部分，其中SwinTransformer分支作为CNN分支的一个补充，当数据送入模型进行编码时，该数据一方面会进入CNN分支，另一方面也会送入SwinTransformer分支；2级联解码器模块：通过混合编码器的CNN分支和SwinTransformer分支分别提取到浅层细节信息和全局语义信息后，接下来开始进入解码器进行解码操作，在解码器部分，本发明采用了全卷积神经网络中所应用的级联上采样器,它是由多个上采样步骤组成；3跳跃连接方式设计：本发明所提出的混合编码器本质上是利用两种不同的模型共同对数据特征进行提取，然后在后续过程中进行融合，对这种存在跳跃连接中的特征融合方式重新设计和讨论；4融合SwinTransformer和CNN的肝肿瘤分割模型：通过对混合编码器、解码器和跳跃连接的方式进行设计后，参考TransUNet网络架构可以得到本发明的网络分割模型，首先原始输入数据要进入编码器中进行特征提取，对于编码器最终提取到的特征要输入到解码器，在解码器中不断的执行上采样操作，直到恢复到与输入图像形状大小相同，完成最终的预测；6进行肝肿瘤图像分割，方法如下：1训练阶段和验证阶段。利用预处理好的数据对本发明提出的网络分割方法进行训练，实验是在配有1块NVIDIAGeForceGTX3090Ti的服务器上进行的,操作系统环境为Ubuntu18.04，实验结束后，最终选取整个训练周期内Dice系数评价指标最高所对应的轮数参数作为最终权重，并得到肝肿瘤分割对应的指标参数；2测试阶段：首先把训练阶段得到的权重加载进入模型中，随后从验证集中随机抽取图像送进模型中进行测试，得到肝肿瘤的预测分割图。

全文数据：

权利要求：

百度查询： 新疆大学 融合SwinTransformer和CNN的肝肿瘤图像分割方法

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