申请/专利权人：江西师范大学

申请日：2024-04-11

公开（公告）日：2024-06-25

公开（公告）号：CN118037756B

主分类号：G06T7/11

分类号：G06T7/11;G06T7/00;G06V10/42;G06V10/44;G06V10/52;G06V10/80;G06V10/82;G06N3/045;G06N3/048;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明属于医学图像技术领域，公开了一种基于边界‑目标增强的结肠镜息肉分割方法，包括下列步骤：步骤一、构建边界‑目标增强网络；边界‑目标增强网络包括主干网络、由粗到细特征增强模块和多尺度融合模块，步骤二、采集一定数量的结肠镜图像制作训练集，利用训练集对边界‑目标增强网络进行训练；步骤三、利用训练后的边界‑目标增强网络对结肠镜图像进行息肉分割。本发明使用边界特征和全局特征来改进相应尺度的主干特征，将其细化为精细边界特征，解决了图像中息肉边界模糊对模型的影响；还通过对不同尺度的特征分别进行处理，很好地分割大小尺寸不同的息肉。

主权项：1.一种基于边界-目标增强的结肠镜息肉分割方法，其特征在于：包括下列步骤：步骤一、构建边界-目标增强网络；边界-目标增强网络包括主干网络、由粗到细特征增强模块和多尺度融合模块，由粗到细特征增强模块包括边界捕获模块、全连接注意力模块和边界语义选择模块，多尺度融合模块包括特征增强模块；其中，主干网络用于在多个尺度上产生相应的主干特征，特征边界捕捉模块用于捕捉边界特征，全连接注意力模块用于捕捉全局特征，边界语义选择模块用于动态地使用边界特征和全局特征来改进主干特征，得到多尺度的精细边界特征，特征增强模块进一步增强多尺度的精细边界特征并将增强结果融合形成分割特征，多尺度融合模块对分割特征进行1×1卷积后输出分割预测结果；步骤二、采集一定数量的结肠镜图像制作训练集，利用训练集对边界-目标增强网络进行训练；步骤三、利用训练后的边界-目标增强网络对结肠镜图像进行息肉分割；所述步骤二包括下列步骤：S2.1、采集一定数量的结肠镜图像制作训练集；S2.2、利用主干网络从输入的训练图像中提取骨干特征；S2.3、由粗到细特征增强模块使用边界特征和全局特征来改进主干特征，得到对应尺度的精细边界特征；S2.4、使用多尺度融合模块对精细边界特征进行增强和融合，输出分割预测结果；S2.5、使用分割损失和边界损失来监督边界-目标增强网络的训练，优化边界-目标增强网络；边界语义选择模块分别将边界特征fb和全局特征fg注入到处理后的主干特征中来增强相应特征xl，得到了带有额外边界信息的特征xlb和带有额外全局信息的特征xlg，二者的算式如下： ，，其中，⊕表示逐元素加法操作，⊙表示逐元素相乘操作；之后，边界语义选择模块使用门控机制自适应地选择带有额外边界信息的特征xlb和带有额外全局信息的特征xlg；具体而言，通过对特征xlb和xlg执行逐元素相加的操作，得到增强的特征；然后根据边界特征的重要性分数Sb和全局特征的重要性分数Sg自适应地选择适合每个特征xl的边界先验知识和全局特征，从而得到增强的边界特征和全局特征；边界特征的重要性分数Sb和全局特征的重要性分数Sg的计算式如下： ，，其中wb和wg是可学习参数，z是自适应选择指导，有，表示全局平均池化操作，是用具有ReLU函数和批归一化操作的简单全连接层fc进行处理；增强的边界特征和全局特征二者的计算式分别为：，，通过对边界特征和全局特征执行逐元素相加操作得到相应尺度的精细边界特征f'l，即；经上述操作，边界语义选择模块输出高质量的解码特征，即多尺度的精细边界特征。

全文数据：

权利要求：

百度查询： 江西师范大学 一种基于边界-目标增强的结肠镜息肉分割方法

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