申请/专利权人:北京工业大学
申请日:2021-05-21
公开(公告)日:2024-06-25
公开(公告)号:CN113643310B
主分类号:G06T7/12
分类号:G06T7/12;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.06.25#授权;2021.11.30#实质审查的生效;2021.11.12#公开
摘要:本发明公开了一种基于上下文聚合的MRI图像肝血管分割方法,包括:肝血管MRI图像的预处理;MRI图像肝血管数据的数据增广工作;搭建上下文聚合的肝血管分割网络,输入预处理后的MRI图像;在编码阶段,采用残差结构的卷积块,确保特征图保留更多的信息;在编码模块的最后一个卷积层后面加入了上下文聚合模块,利用空洞卷积扩大卷积核,进而有效的控制感受野的大小,做到对小尺度区域和大尺度区域的权衡。在解码器部分加入空间注意力机制,进行位置关系信息学习和深层次语义特征筛选,提高特征图还原能力。本发明提升了肝血管分割结果的连续性,并且显著提高了肝血管的分割准确率。
主权项:1.一种基于上下文聚合的MRI图像肝血管分割方法,其特征在于:该方法包括以下步骤:步骤1,平扫MRI图像的预处理工作;步骤1.1,对MRI图像数据和标注掩膜进行重采样;步骤1.2,将MRI图像数据归一化至[-1,1];步骤2,MRI图像数据的数据增广工作;步骤3,将MRI图像数据输入模型;步骤3.1,将MRI图像数据输入基于卷积神经网络的特征提取模块,提取图像的高层语义特征图;步骤3.2,将高层语义特征图输入上下文聚合模块,提取不同感受野下的特征图;步骤3.3,聚合不同感受野下的特征图,并对特征图不同通道按照学习到的重要性进行重新赋权;步骤3.4,输入解码器网络,获得MRI图像肝血管初步分割结果;步骤4,将待分割的图像数据经过步骤1的处理后输入训练好的网络中,输出MRI图像肝血管分割结果;训练基于上下文聚合的肝血管分割网络,训练的优化目标采用的交叉熵函数和Dice函数联合损失函数;利用Dice损失函数综合测量整个预测概率图,利用交叉熵函数精确预测分类每个像素点,最终达到精确分割的效果;公式如下所示,其中,LCE为交叉熵损失,LDice为Dice损失函数,α为超参数;LCE公式中,yic为第i个像素第c类的期望输出,pic为网络预测实际输出概率;LDice中X为网络预测的分割结果,Y为标定信息;|X|和|Y|分别表示X和Y的元素个数,|X∩Y|是X和Y之间的交集;Lseg=αLCE+1-αLDice 最后在测试阶段,将待分割的图像数据经过步骤1的处理后输入训练好的网络中,输出MRI图像肝血管分割结果。
全文数据:
权利要求:
百度查询: 北京工业大学 一种基于上下文聚合的MRI图像肝血管分割方法
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。