申请/专利权人：华侨大学

申请日：2024-04-02

公开（公告）日：2024-06-18

公开（公告）号：CN117974672B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/20;G06V10/42;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明公开了一种基于全局信息的乳腺超声肿瘤病变区域检测方法及装置，涉及目标检测领域，包括：构建基于YOLOv5网络的乳腺超声肿瘤病变区域检测模型，构建高秩特征蒸馏模块和通道相关性关系蒸馏模块，将乳腺超声肿瘤病变区域检测模型的骨干网络的第三单元输出的低维图像特征和第四单元输出的高维图像特征均输入高秩特征蒸馏模块和通道相关性关系蒸馏模块，以构建高秩特征蒸馏损失函数和通道相关性蒸馏损失函数，并加入YOLOv5网络的损失函数中构建总损失函数，基于总损失函数训练得到经训练的乳腺超声肿瘤病变区域检测模型；将乳腺超声肿瘤灰度图像输入经训练的乳腺超声肿瘤病变区域检测模型，得到乳腺超声肿瘤病变区域，解决存在误检、漏检问题。

主权项：1.一种基于全局信息的乳腺超声肿瘤病变区域检测方法，其特征在于，包括以下步骤：获取乳腺超声肿瘤图像并进行预处理，得到乳腺超声肿瘤灰度图像；构建基于YOLOv5网络的乳腺超声肿瘤病变区域检测模型，在所述乳腺超声肿瘤病变区域检测模型的训练过程中，构建高秩特征蒸馏模块和通道相关性关系蒸馏模块，所述乳腺超声肿瘤病变区域检测模型的骨干网络包括依次连接的第一单元、第二单元、第三单元和第四单元，将所述第三单元输出的低维图像特征和所述第四单元输出的高维图像特征均输入所述高秩特征蒸馏模块，并构建高秩特征蒸馏损失函数，具体包括：将高维图像特征Fguide输入特征图秩计算函数，计算出以通道维度为单位的特征图像的秩值，并将结果存放于维度为c，1的二维向量rankguide，计算公式如下：rankguide＝RankFguidew，h，c；其中，Rank·表示特征图秩计算函数，w和h分别表示所述高维图像特征Fguide的宽和高，c表示所述高维图像特征Fguide的通道维度；将所述二维向量rankguide中的秩值进行降序排列，根据排序结果对所述高维图像特征Fguide中以通道维度为单位的特征图像进行重要性排序，并获得重要性排序后的特征图像Frank，计算公式如下：Frank＝sortrankguide，Fguide；根据低维图像特征Fhint的通道维度提取重要性排序后的特征图像Frank中对应通道维度的特征图像Fretain，采用自适应卷积调整器对所述特征图像Fretain的宽和高进行调整，得到与所述低维图像特征Fhint具有相同的宽和高的特征图像σFretain；计算所述低维图像特征Fhint与特征图像σFretain之间的L2范数，构建得到高秩特征蒸馏损失函数LRank，计算公式如下： 其中，||·||2表示L2范数，σ·表示所述自适应卷积调整器；将所述第三单元输出的低维图像特征和所述第四单元输出的高维图像特征均输入所述通道相关性关系蒸馏模块，并构建通道相关性蒸馏损失函数，具体包括：计算高维图像特征Fguide的通道相关性矩阵计算公式如下： 其中，表示高维图像特征Fguide中第m通道的特征图像，表示高维图像特征Fguide中第n通道的特征图像，v·表示特征映射函数，用以将二维特征向量映射为长度为hw的向量，K·表示内积函数，用以度量输入图像的通道维度之间的相关性；采用自适应卷积调整器对低维图像特征Fhint的宽、高和通道维度进行调整，得到与所述高维图像特征Fguide具有相同的宽、高和通道维度的特征图像σFhint，计算特征图像σFhint的通道相关性矩阵计算公式如下： 计算与之间的L2范数，构建得到通道相关性蒸馏损失函数LossRelate，计算公式如下： 将所述高秩特征蒸馏损失函数和通道相关性蒸馏损失函数与所述YOLOv5网络的损失函数结合构建得到总损失函数，基于所述总损失函数对所述乳腺超声肿瘤病变区域检测模型进行训练，得到经训练的乳腺超声肿瘤病变区域检测模型；将所述乳腺超声肿瘤灰度图像输入所述经训练的乳腺超声肿瘤病变区域检测模型，得到乳腺超声肿瘤病变区域。

全文数据：

权利要求：

百度查询： 华侨大学 基于全局信息的乳腺超声肿瘤病变区域检测方法及装置

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