公开(公告)号：CN114359292A

公开(公告)日：2022-04-15

申请号：CN202111504413.X

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  王泽坤 ,  刘小平 ,  吴德道

IPC: G06T7/10 ,  G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度和注意力的医学图像分割方法，包括下列步骤：首先对获取到的医学图像进行处理，并划分数据集，之后构建二维网络模型，将经过预处理的数据送入网络中进行训练；通过优化损失函数调整模型到最优效果；将待分割的医学图像送入调整好参数的网络模型中，得到预测的分割结果，并与真实标签对比来评估模型性能。本发明针对经典的U型网络存在的缺乏上下文信息的问题，在网络中加入了可以即插即用，非常轻便的通道注意力机制和混合空洞注意力卷积层，以充分利用上下文信息，发掘通道有用特征。本发明的分割模型可以在参数量很少的情况下完成医学图像的分割。

公开(公告)号：CN114359293B

公开(公告)日：2025-05-16

申请号：CN202111516472.9

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  王泽坤 ,  刘小平 ,  刘捷

IPC: G06T7/10 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/09 ,  G06N3/048

Abstract: 本发明公开了一种基于深度学习的三维MRI脑肿瘤分割方法，包括以下步骤：S1：对三维MRI脑部数据进行预处理并划分数据集，使其满足模型的输入条件。S2：构建并训练深度卷积神经网络，网络框架采用编码器和解码器的形式，并加入了多尺度卷积联合模块和全局上下文聚合模块。S3：对得到的预测数据后处理，进一步提高分割效果。本发明提出的分割方法结合了分割对象的低级特征和高级特征，有效融合了多尺度信息和全局上下文信息并减少了学习到的冗余特征的影响，从而改善了脑肿瘤的分割结果。

公开(公告)号：CN114359292B

公开(公告)日：2024-11-26

申请号：CN202111504413.X

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  王泽坤 ,  刘小平 ,  吴德道

IPC: G06T7/10 ,  G06T5/90 ,  G06T5/60 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度和注意力的医学图像分割方法，包括下列步骤：首先对获取到的医学图像进行处理，并划分数据集，之后构建二维网络模型，将经过预处理的数据送入网络中进行训练；通过优化损失函数调整模型到最优效果；将待分割的医学图像送入调整好参数的网络模型中，得到预测的分割结果，并与真实标签对比来评估模型性能。本发明针对经典的U型网络存在的缺乏上下文信息的问题，在网络中加入了可以即插即用，非常轻便的通道注意力机制和混合空洞注意力卷积层，以充分利用上下文信息，发掘通道有用特征。本发明的分割模型可以在参数量很少的情况下完成医学图像的分割。

公开(公告)号：CN114359293A

公开(公告)日：2022-04-15

申请号：CN202111516472.9

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  王泽坤 ,  刘小平 ,  刘捷

IPC: G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的三维MRI脑肿瘤分割方法，包括以下步骤：S1：对三维MRI脑部数据进行预处理并划分数据集，使其满足模型的输入条件。S2：构建并训练深度卷积神经网络，网络框架采用编码器和解码器的形式，并加入了多尺度卷积联合模块和全局上下文聚合模块。S3：对得到的预测数据后处理，进一步提高分割效果。本发明提出的分割方法结合了分割对象的低级特征和高级特征，有效融合了多尺度信息和全局上下文信息并减少了学习到的冗余特征的影响，从而改善了脑肿瘤的分割结果。