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。

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