申请/专利权人：匀熵科技(无锡)有限公司

申请日：2021-09-08

公开（公告）日：2024-06-14

公开（公告）号：CN114049357B

主分类号：G06T7/10

分类号：G06T7/10;G06N3/0464;G06N3/08;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.03.04#实质审查的生效;2022.02.15#公开

摘要：本发明提供一种基于特征集关联度的乳腺超声分割方法，属于图像分割领域。本发明首先采用了属性形态谱MorphologicalAttributeProfiles,AP对超声影像进行重建属性细化和属性粗化以消除噪声提取空间结构特征。然后对模型提取出的特征集与经验特征集进行关联度约束以此来指导模型的训练。CoNet在乳腺超声影像肿瘤病变分割方向取得不错的效果，并在公开数据集BUSI上IOU达到了87.1％，F1值达到了89.9％。

主权项：1.一种基于特征集关联度的乳腺超声分割方法，其特征在于，步骤如下：步骤一、图像预处理将乳腺超声图像进行随机分组，每一组图像组成一个训练批次输入数据；先对乳腺超声图像进行降噪；再对降噪后的图像和真值图同时进行数据增强；步骤二、将经过预处理的乳腺超声图像输入至基于卷积神经网络的图像分割模型中，进行图像特征的提取；步骤三、将图像分割模型的最后一层卷积层的输入进行保存，得到当前训练批次输入数据的特征集；步骤四、将图像分割模型的最后一层卷积层输出的结果进行Softmax归一化，然后与真值图像进行损失函数计算；步骤五、对步骤三中得到的特征集和上一训练批次输入数据的特征集进行关联度一致性正则化，得到关联度损失函数值；步骤六、将步骤四中得到的损失函数值与步骤五中的关联度损失函数值进行加运算，得到CoNet最终的损失函数值；步骤七、将步骤六中的得到的CoNet损失函数值进行反向传播，并输出分割结果；其中，CoNet最终的损失函数值由两部分组成，一部分为步骤四得到的损失函数另一部分为步骤五关联度损失函数采用交叉熵损失函数，计算公式如下： 其中，-x[class]为负对数似然损失值、log∑jexpx[j]为Softmax结果的对数值；关联度损失函数计算公式如下： 使用当前训练批次中CoNet分类层的输入特征作为模型生成的特征集X，上一个训练批次中CoNet分类层的输入特征作为经验特征集Y；β为映射矩阵正定系数，表示线性映射矩阵正定性强度，是一个固定的标量超参数，γ为单位偏置矩阵系数，是一个固定的标量超参数，映射矩阵A为一个可学习的参数，I为单位阵；关联度损失函数值表示如下： 其中，λ为关联度损失系数，是一个固定的标量超参数；其中，关联度表示协方差矩阵的相似度，则两个特征集的关联度表示为两个特征集的协方差矩阵的相似度。

全文数据：

权利要求：

百度查询： 匀熵科技(无锡)有限公司 一种基于特征集关联度的乳腺超声分割方法

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