公开(公告)号：CN113269778A

公开(公告)日：2021-08-17

申请号：CN202110683693.9

申请日：2021-06-21

Applicant: 复旦大学

Inventor： 郭翌 ,  刘若韵 ,  汪源源 ,  周世崇 ,  常才

IPC: G06T7/00 ,  G06T7/11 ,  G06K9/32 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于迭代的图像弱监督分割方法，将包含定位边界框的甲状腺超声图像作为弱监督信息，利用概率梯度标注方式获得训练标注，以迭代训练的方式不断更新深度学习弱监督分割网络参数和训练标签，最后采用训练后的网络对待处理图像进行分割。本发明通过迭代网络的优化，在无需人工干预的弱监督条件下将初始定位标签转化为最终的分割结果，可以在无需人工标注的弱监督条件下实现甲状腺超声图像中特定区域的准确分割。

公开(公告)号：CN108776969A

公开(公告)日：2018-11-09

申请号：CN201810505528.2

申请日：2018-05-24

Applicant: 复旦大学

Inventor： 郭翌 ,  胡雨舟 ,  汪源源 ,  余锦华 ,  周世崇 ,  常才

IPC: G06T7/11 ,  G06T7/136 ,  G06T7/149

Abstract: 本发明属于图像处理技术领域，具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括：构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；利用基于相位信息的动态轮廓PBAC模型，对于粗略分割结果进行优化，得到最终精细的分割结果；实验结果表明，本发明可以准确地分割肿瘤，尤其对边界模糊、阴影多的超声图像有很好的分割结果。