申请/专利权人:南昌康德莱医疗科技有限公司;南昌大学
申请日:2024-05-13
公开(公告)日:2024-06-11
公开(公告)号:CN118172557A
主分类号:G06V10/26
分类号:G06V10/26;G06V10/44;G06V10/52;G06V10/42;G06V10/80;G06V10/82;G06N3/0464;G06N3/0455;G06N3/084;G06N3/048
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.28#实质审查的生效;2024.06.11#公开
摘要:本发明涉及超声图像分割技术领域,尤其涉及一种甲状腺结节超声图像分割方法,所述方法包括:获取甲状腺结节超声图像集,对所述甲状腺结节超声图像集进行预处理;将预处理后的所述甲状腺结节超声图像集按照预设比例分为训练集、验证集和测试集;构建多尺度U‑net网络;基于所述训练集对所述多尺度U‑net网络进行训练,并根据所述验证集对所述多尺度U‑net网络进行参数调整,得到分割模型;将所述测试集输入到所述分割模型,得到分割结果图。本发明可以提高模型深层次特征的提取能力,并且有效地减少计算量和模型参数;可以避免纹理、边缘等浅层信息在卷积过程中大量丢失,从而提高分割性能和分割精度。
主权项:1.一种甲状腺结节超声图像分割方法,其特征在于,所述方法包括:获取甲状腺结节超声图像集,对所述甲状腺结节超声图像集进行预处理;将预处理后的所述甲状腺结节超声图像集按照预设比例分为训练集、验证集和测试集;构建多尺度U-net网络,所述多尺度U-net网络包括基于EfficientNetB0分类网络的编码层、解码层和基于ECA注意力模块的边缘信息增强层,所述编码层和所述解码层之间通过跳跃连接相连,所述解码层和所述边缘信息增强层之间通过双线性上采样相连;其中,所述编码层由一个输入卷积层和4个下采样模块构成,所述输入卷积层由一个Ghost卷积组成,所述下采样模块由两个EfficientNetB0分类网络中引入Mish激活函数的MBConv6模块组成;所述解码层由四个上采样模块组成,所述上采样模块由双线性上采样和双层卷积组成;所述边缘信息增强层包括四个边缘信息增强模块,每个所述边缘信息增强模块由ECA注意力模块和1×1卷积组成;基于所述训练集对所述多尺度U-net网络进行训练,并根据所述验证集对所述多尺度U-net网络进行参数调整,得到分割模型;将所述测试集输入到所述分割模型,得到分割结果图。
全文数据:
权利要求:
百度查询: 南昌康德莱医疗科技有限公司;南昌大学 一种甲状腺结节超声图像分割方法
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。