买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：齐鲁工业大学(山东省科学院);山东省人工智能研究院

摘要：本发明涉及医学影像处理领域，设计了一种基于辅助学习网络的颈动脉血管提取方法、系统及设备，具体如下：选取颈部扫描数据作为数据集并将其按比例划分为训练集、验证集和测试集；将训练集进行随机裁剪、随机旋转、添加高斯噪声以及亮度调整等数据增强操作并对特征范围适当缩放进行标准化处理；构建网络架构的层次结构并选择激活函数，设置训练参数并进行初始化，直至模型达到停止条件训练；将验证集在训练好的网络模型中进行评估；确定最终模型性能，在模型未见过的测试集评估模型的泛化能力。本发明能够充分利用图像中的上下文信息以各种特征信息，实现对颈动脉血管的精准提取。

主权项：1.一种基于辅助学习网络的颈动脉血管提取方法，其特征在于，包括如下步骤：S1.数据选取：选取颈部扫描数据作为数据集并将其按比例划分为训练集、验证集和测试集；S2.数据预处理：将训练集进行随机裁剪、随机旋转、添加高斯噪声以及亮度调整的数据增强操作并对特征范围进行标准化处理；S3.模型构建与训练：构建网络架构的层次结构并选择激活函数，设置训练参数并初始化模型、损失函数和优化器，循环执行加载数据、前向传播、计算损失、反向传播、更新权重的训练过程，直至模型达到停止条件；网络架构为一个并行的学习网络，包括一个主干学习网络和一个辅助学习网络,辅助学习网络的层次结构包括四个编码器、一个中间层以及四个解码器，编码器中的层次结构包括两个33的卷积层，每个卷积层后面跟随一个非线性激活函数ReLU，一个批归一化层，一个池化层和一个残差连接；中间层的层次结构包括两个33的卷积层，每个卷积层后面跟随一个非线性激活函数ReLU，一个批归一化层和一个残差连接；解码器中的层次结构包括一个上采样层，两个33的卷积层，每个卷积层后面跟随一个非线性激活函数ReLU，一个批归一化层和一个残差连接；主干学习网络的层次结构中的编码器、中间层和解码器与辅助学习网络一致，主干学习网络中设有多级特征汇聚增强模块；辅助学习网络提取位置空间特征的具体过程如下：S3.1.1辅助学习网络的第一编码器接受预处理后的输入图像，在计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置，表示激活函数，表示批归一化操作，表示池化操作；S3.1.2将步骤S3.1.1中得到的特征图送入到辅助学习网络第二编码器计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.3将步骤S3.1.2中得到的特征图送入到辅助学习网络第三编码器计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.4将步骤S3.1.3中得到的特征图送入到辅助学习网络第四编码器计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.5将步骤S3.1.4中得到的特征图送入到辅助学习网络中间层计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.6将步骤S3.1.5中得到的特征图和步骤S3.1.4中得到的特征图共同送入辅助学习网络的第一解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，表示上采样操作，表示拼接操作，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.7将步骤S3.1.6中得到的特征图和步骤S3.1.3中得到的特征图共同送入辅助学习网络的第二解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，表示上采样操作，表示拼接操作，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.8将步骤S3.1.7中得到的特征图和步骤S3.1.2中得到的特征图共同送入辅助学习网络的第三解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，表示上采样操作，表示拼接操作，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.9将步骤S3.1.8中得到的特征图和步骤S3.1.1中得到的特征图共同送入辅助学习网络的第四解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，表示上采样操作，表示拼接操作，和表示两个不同的卷积核，和表示两个不同的偏置；S3.1.10将步骤S3.1.9中得到的特征图通过卷积进行特征组合得到目标区域信息的特征图，该过程计算公式为： ，其中，表示卷积操作；主干学习网络对图像中内容的精准分析提取特征的具体过程如下：S3.2.1主干学习网络的第一编码器接受预处理后的输入图像和步骤S3.1.1中的特征图以及步骤S3.1.10中的特征图作为输入，经过计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.2将步骤S3.2.1中得到的特征图和步骤S3.1.2中得到的特征图送入到主干学习网络第二编码器计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.3将步骤S3.2.2中得到的特征图和步骤S3.1.3中得到的特征图送入到主干学习网络第三编码器计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.4步骤S3.2.3中得到的特征图和步骤S3.1.4得到的特征图送入到主干学习网络第四编码器计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.5步骤S3.2.4中得到的特征图和步骤S3.1.5得到的特征图送入到主干学习网络中间层计算得到特征图，该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.6将特征图、特征图、特征图和特征图以及特征图、特征图、特征图和特征图送入模块中，通过模块实现不同网络和不同层之间的特征融合，具体计算过程如下： ， ， ， ， ， ， ， ，其中，表示池化操作，表示上采样操作，表示33卷积操作，表示11卷积操作，表示批归一化和ReLU激活函数的连续操作，表示拼接操作，表示通道注意力模块，表示空间注意力模块；S3.2.7将特征图和特征图送入主干学习网络的第一解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，表示上采样操作，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.8将特征图和特征图送入主干学习网络的第二解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.9将特征图和特征图送入主干学习网络的第三解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.10特征图和特征图送入主干学习网络的第四解码器，经过的计算后得到特征图,该过程计算公式为： ，其中，和表示两个不同的卷积核，和表示两个不同的偏置；S3.2.11将特征图输入到分类层计算得到最终提取目标；S4.模型评估与调优：将验证集在训练好的网络模型中进行评估，根据验证结果调整超参数以使模型达到最优性能，防止过拟合；S5.模型测试：确定最终模型性能，在模型未见过的测试集评估模型的泛化能力。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 山东省人工智能研究院 基于辅助学习网络的颈动脉血管提取方法、系统及设备