申请/专利权人：大连理工大学

申请日：2024-03-15

公开（公告）日：2024-06-14

公开（公告）号：CN118196116A

主分类号：G06T7/11

分类号：G06T7/11;G06T7/13

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明属于医学与人工智能交叉应用领域，公开一种基于深度学习的MRI图像分割方法，步骤如下：首先，在数据预处理部分，采用一种基于高斯‑拉普拉斯组合滤波方式对图像进行降噪和边缘提取，增强不同区域间的对比度，同时对图像进行数据增强和标准化处理。其次，在模型训练部分，本发明采用nnU‑Net作为基线模型，结合2DUNet主干网络，其网络中包含着对称的编码器和解码器，通过提取我们传入图像的特征，并将特征图上采样到原始图像大小的操作，来进行分割预测。同时采用Dice和交叉熵作为模型的损失函数，最后通过集成选择，得出网络的最优模型。

主权项：1.一种基于深度学习的MRI图像分割方法，其特征在于，包括以下步骤：步骤1：对获取的MRI图像数据集按照比例划分成训练集和测试集；步骤2：对MRI图像数据集进行预处理，包括采用高斯滤波与拉普拉斯滤波组合的方式，对MRI图像进行去噪和提取边缘，训练集数据增强以及图像归一化处理；步骤3：GL-UNet网络模型的构建以nnU-Net网络模型作为基线网络，采用其中的2DUNet骨干网络；在GL-UNet网络模型中：编码器部分：ConvDropoutNormNonlin层堆叠两次，其中在卷积层中选择卷积核大小为3х3，步长为1，padding为1；采用填充方法减少边缘信息损失；对每个特征图进行归一化操作，使得每个特征图的均值为0，方差为1；使用leakyReLU激活函数；解码器部分：使用conv-sigmoid层，并在该conv-sigmoid层使用大小为1х1的卷积核，将特征图映射到分类数目的通道数，保留了特征图的空间维度；并且该conv-sigmoid层利用sigmoid激活函数，得到每个像素点属于每个类别的概率值；同时使用Dice和交叉熵作为建立的GL-UNet网络模型的损失函数；GL-UNet网络网络模型的输出类别设为2，使其适用于MRI图像分割任务，二个类别分别是正常和不正常；步骤4：通过消融实验，训练多个候选GL-UNet网络网络模型并且经过k折交叉验证，最终获取GL-UNet网络网络模型的最优模型；步骤5：使用预处理后的训练集对得到的最优GL-UNet网络模型进行训练，并在测试集上计算模型性能指标。

全文数据：

权利要求：

百度查询： 大连理工大学 基于深度学习的MRI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