CN118710915A - 一种基于频域增强和门控解码的图像分割方法 - Google Patents
一种基于频域增强和门控解码的图像分割方法 Download PDFInfo
- Publication number
- CN118710915A CN118710915A CN202411211236.XA CN202411211236A CN118710915A CN 118710915 A CN118710915 A CN 118710915A CN 202411211236 A CN202411211236 A CN 202411211236A CN 118710915 A CN118710915 A CN 118710915A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- features
- feature
- decoding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 206010019695 Hepatic neoplasm Diseases 0.000 claims abstract description 16
- 208000014018 liver neoplasm Diseases 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 230000009191 jumping Effects 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 102220588433 Keratin, type I cytoskeletal 18_S42A_mutation Human genes 0.000 claims description 9
- 102220571247 Cell division cycle protein 20 homolog_S41A_mutation Human genes 0.000 claims description 6
- 102220484577 Protein NDNF_S43A_mutation Human genes 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 102220588444 Keratin, type I cytoskeletal 18_S44A_mutation Human genes 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 208000034657 Convalescence Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于频域增强和门控解码的图像分割方法，包括：S1：构建数据集；S2：构建图像分割模型，导入图像进入混合编码模块，获取图像特征信息；其中，导入步骤S1的图像进入混合编码模块的过程中，混合编码模块的编码模块的残差结构块依次对图像进行下采样，获取残差提取信息；S3：导入图像至频域增强模块，获取增强特征信息；S4：导入图像信息至门控解码模块中，获取门控解码信息；S5：对门控解码信息通过进行卷积获取最终的预测分割图像，构建损失函数。本发明通过设置混合编码模块和频域增强模块来充分利用肝肿瘤图像的频域信息，并利用门控解码模块内的门控机制来引导解码过程，提高了肝肿瘤图像分割的准确度。
Description
技术领域
本发明属于医疗图像分割技术领域，具体涉及一种基于频域增强和门控解码的图像分割方法。
背景技术
肝脏作为人体腹部最为显著的实体器官，其解剖结构复杂且血管系统繁密。经过治疗后，并未完全康复的肝肿瘤患者往往会存在着更加细微和复杂的病灶。
因此，在计算机辅助进行康复医学诊断的过程中，肝肿瘤的准确分割是一项至关重要的任务。然而，当前肝肿瘤分割面临着多重困难，其中最突出的是背景与肝肿瘤之间显著的对比度失衡。由于这一问题，含有肝脏及肿瘤的CT切片在整体CT体积中仅占极小比例，这无疑增加了肝肿瘤筛查的难度。此外，肝肿瘤分割还面临着其他几个挑战。
首先，肝肿瘤在患者间的形态、大小和位置变化极大，使得统一的分割方法难以应用。其次，肿瘤与正常组织之间的界限往往模糊不清，这给从康复医学CT图像中精确分割肿瘤带来了极大的挑战。最后，每个切片中可能存在的强烈噪声会严重干扰前景物体的识别，进一步加剧了分割过程的复杂性。大部分现有技术采用了复杂的神经网络结构，庞大的参数量会显著增加计算成本，而且存在细节定位不足、分割不准确的问题。
发明内容
针对现有技术肝肿瘤图像在图像分割中的不足，本发明提供了一种基于频域增强和门控解码的图像分割方法。
一种基于频域增强和门控解码的图像分割方法，包括以下步骤：
步骤S1：构建数据集，数据集包括若干肝肿瘤图像；
步骤S2：构建由混合编码模块、频域增强模块和门控解码模块图像构成的图像分割模型，导入步骤S1的图像进入混合编码模块，获取图像特征信息；
其中，导入步骤S1的图像进入混合编码模块的过程中，混合编码模块的编码
模块的残差结构块依次对图像进行下采样，获取残差提取信息；
步骤S3：导入步骤S1中的图像至频域增强模块，获取增强特征信息；
步骤S4：导入步骤S2中的残差提取信息和图像特征信息与步骤S3的增强特征信息至门控解码模块中，获取门控解码信息；
步骤S5：对门控解码信息通过进行卷积获取最终的预测分割图像，构建损失函数，通过最小化损失函数以优化图像分割模型的参数。
进一步的，步骤S2中的混合编码模块包括依次连接的编码模块、
编码模块和模块；编码模块由依次连接的包括3层卷积层的第一残差结构块、
包括4层卷积层的第二残差结构块和包括9层卷积层的第三残差结构块构成；
步骤S2具体为：
步骤S21：编码模块的第一、第二和第三残差结构块对图像进行处理，获取残
差提取信息；提取出图像的局部信息并降低输入的图像的数据维度，以减少计算量，表示
为：
；
其中，表示残差提取信息，表示对图像依次进行3次残差结构块下采样操
作，表示输入的图像；
步骤S22：编码模块对步骤S21的残差提取信息进行处理，捕获残差提
取信息的全局特征，获取全局特征信息，表示为：
；
其中，表示全局特征信息，表示12层的编码模块对提取特征
信息进行编码操作；
步骤S23：模块对步骤S22的全局特征信息进行特征恢复，使得图像特征信
息与步骤S21的残差提取信息格式一致，表示为：
；
其中，表示图像特征信息，表示对输入特征进行特征恢复操作。
进一步的，步骤S3中的频域增强模块包括格式转换层、DCT变换层、高频层，多头注意力块和Reshape模块；
步骤S31：格式转换层将输入的图像转换为yCbCr格式；
步骤S32：将转化格式后的图像通过DCT变换层进行离散余弦变换，获取变换图像特征；
步骤S33：通过高频层提取步骤S32的变换图像特征的高频信息，通过低频层提取步骤S32的变换图像特征的低频信息，接着将高频信息和低频信息进行拼接，获取拼接图像特征；
提取过程中，将变换图像特征的每个色道的前32个通道合并为高频带，将后32个通道合并为低频带，以分别处理高频和低频信息，其中，色道包括y通道、Cb通道和Cr通道，表示为：
；
；
其中，表示得到的高频信息，表示得到的低频信息，表示拼接操作，表示对输入特征取前32个通道，表示对输入特征取后32个通道，表
示对输入特征进行DCT变换，分别表示转换为yCbCr格式图像的y通道、Cb通道和
Cr通道的特征；
步骤S34：接着通过多头注意力块分别对得到的高频信息和低频信息进行特征增强，获取增强图像高频特征和增强图像低频特征，接着进行拼接，获得拼接图像增强特征，之后再通过多头注意力块将拼接图像增强特征进一步增强，获得图像增强特征，表示为：
；
其中，表示图像增强特征，表示多头自注意力块增强操作，表
示分别将特征的y通道、Cb通道和Cr通道进行拼接操作；
步骤S35：通过Reshape模块对图像增强特征进行特征恢复，获得第一恢复图像特征,再通过多头注意力块对第一恢复图像特征进行特征增强，获得第一增强图像特征,再通过Reshape模块对第一增强图像特征进行特征恢复，获得增强特征表示；
；
其中，表示增强特征信息，表示进行特征恢复操作，表示多
头自注意力块增强操作。
进一步的，步骤S4中的门控解码模块包括第一门控解码单元、第二门控解码单元和第三门控解码单元，第一门控解码单元、第二门控解码单元和第三门控解码单元结构相同均用于门控解码，所述门控解码操作具体为：
步骤S41A；对跳跃输入特征进行1*1卷积，接着进行特征恢复；
步骤S42A；对原始输入特征进行1*1卷积；
步骤S43A：对步骤S41A处理后的跳跃输入特征和步骤S42A处理后的原始输入特征进行数据拼接，获取拼接特征；
步骤S44A：对步骤S43A的拼接特征进行1*1卷积，卷积后的拼接特征与步骤S42A的原始输入特征进行加权连接，接着再进行1*1卷积，最后进行上采样，获取门控解码信息；
步骤S41A~S44A的过程表示为：
；
其中，表示门控解码单元中原始输入特征的加权权重，表示
拼接操作，表示1*1卷积操作，表示原始输入特征，表示跳跃输入特征，表示门控解码信息，表示上采样操作。
进一步的，步骤S4具体为：
步骤S41：将图像特征信息作为原始输入特征和步骤S3的增强特征信息作为跳跃输入特征导入第一门控解码单元，获取第一解码特征表示；
步骤S42：将增强特征信息和第一解码特征表示进行跳跃连接，获取第一跳跃图像特征；
步骤S43：将第二残差提取信息作为跳跃输入特征与第一跳跃图像特征作为原始输入特征输入至第二门控解码单元，获取第二解码特征表示；
步骤S44：将第二残差提取信息与第二解码特征表示进行跳跃连接，获取第二跳跃特征表示；
步骤S45：将第一残差提取信息作为跳跃输入特征与第二跳跃图像特征作为原始输入特征输入至第三门控解码单元，获取第三解码特征表示；
步骤S46：将第一残差提取信息和第三解码特征表示进行跳跃连接，获取第三跳跃特征表示，也即最终的门控解码信息。
进一步的，步骤S5中的损失函数具体为：
；
；
；
其中，表示真实分割图，表示预测分割图，表示Dice损失函数，表示
交叉熵损失函数，表示总损失函数，和分别表示预设的参数。
本发明的积极进步效果在于：
本发明通过设置混合编码模块和频域增强模块来充分利用肝肿瘤图像的频域信息，并利用门控解码模块内的门控机制来引导解码过程，充分利用来自肝肿瘤图像的低级特征，提高了肝肿瘤图像分割的准确度。
附图说明
图1为本发明的基于频域增强和门控解码的图像分割方法的方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
参照图1，在一示例中，一种基于频域增强和门控解码的图像分割方法，包括以下步骤：
步骤S1：构建数据集，数据集包括若干肝肿瘤图像；
步骤S2：构建由混合编码模块、频域增强模块和门控解码模块图像构成的图像分割模型，导入步骤S1的图像进入混合编码模块，获取图像特征信息；
其中，导入步骤S1的图像进入混合编码模块的过程中，混合编码模块的编码
模块的残差结构块依次对图像进行下采样，获取残差提取信息；
步骤S3：导入步骤S1中的图像至频域增强模块，获取增强特征信息；
步骤S4：导入步骤S2中的残差提取信息和图像特征信息与步骤S3的增强特征信息至门控解码模块中，获取门控解码信息；
步骤S5：对门控解码信息通过进行卷积获取最终的预测分割图像，构建损失函数，通过最小化损失函数以优化图像分割模型的参数。
进一步的，在一示例中，步骤S2中的混合编码模块包括依次连接的编码模
块、编码模块和模块；编码模块由依次连接的包括3层卷积层的
第一残差结构块、包括4层卷积层的第二残差结构块和包括9层卷积层的第三残差结构块构
成；
步骤S2具体为：
步骤S21：编码模块的第一、第二和第三残差结构块对图像进行处理，获取残
差提取信息；提取出图像的局部信息并降低输入的图像的数据维度，以减少计算量，表示
为：
；
其中，表示残差提取信息，表示对图像依次进行3次残差结构块下采样操
作，表示输入的图像；
步骤S22：编码模块对步骤S21的残差提取信息进行处理，捕获残差提
取信息的全局特征，获取全局特征信息，表示为：
；
其中，表示全局特征信息，表示12层的编码模块对提取特征
信息进行编码操作；
步骤S23：模块对步骤S22的全局特征信息进行特征恢复，使得图像特征信
息与步骤S21的残差提取信息格式一致，表示为：
；
其中，表示图像特征信息，表示对输入特征进行特征恢复操作。
进一步的，在一示例中，步骤S3中的频域增强模块包括格式转换层、DCT变换层、高频层，多头注意力块和Reshape模块；
步骤S31：格式转换层将输入的图像转换为yCbCr格式；
步骤S32：将转化格式后的图像通过DCT变换层进行离散余弦变换，获取变换图像特征；
步骤S33：通过高频层提取步骤S32的变换图像特征的高频信息，通过低频层提取步骤S32的变换图像特征的低频信息，接着将高频信息和低频信息进行拼接，获取拼接图像特征；
提取过程中，将变换图像特征的每个色道的前32个通道合并为高频带，将后32个通道合并为低频带，以分别处理高频和低频信息，其中，色道包括y通道、Cb通道和Cr通道，表示为：
；
；
其中，表示得到的高频信息，表示得到的低频信息，表示拼接操作，表示对输入特征取前32个通道，表示对输入特征取后32个通道，表
示对输入特征进行DCT变换，分别表示转换为yCbCr格式图像的y通道、Cb通道和
Cr通道的特征；
步骤S34：接着通过多头注意力块分别对得到的高频信息和低频信息进行特征增强，获取增强图像高频特征和增强图像低频特征，接着进行拼接，获得拼接图像增强特征，之后再通过多头注意力块将拼接图像增强特征进一步增强，获得图像增强特征，表示为：
；
其中，表示图像增强特征，表示多头自注意力块增强操作，表
示分别将特征的y通道、Cb通道和Cr通道进行拼接操作；
步骤S35：通过Reshape模块对图像增强特征进行特征恢复，获得第一恢复图像特征,再通过多头注意力块对第一恢复图像特征进行特征增强，获得第一增强图像特征,再通过Reshape模块对第一增强图像特征进行特征恢复，获得增强特征表示；
；
其中，表示增强特征信息，表示进行特征恢复操作，表示多
头自注意力块增强操作。
进一步的，在一示例中，步骤S4中的门控解码模块包括第一门控解码单元、第二门控解码单元和第三门控解码单元，第一门控解码单元、第二门控解码单元和第三门控解码单元结构相同均用于门控解码，所述门控解码操作具体为：
步骤S41A；对跳跃输入特征进行1*1卷积，接着进行特征恢复；
步骤S42A；对原始输入特征进行1*1卷积；
步骤S43A：对步骤S41A处理后的跳跃输入特征和步骤S42A处理后的原始输入特征进行数据拼接，获取拼接特征；
步骤S44A：对步骤S43A的拼接特征进行1*1卷积，卷积后的拼接特征与步骤S42A的原始输入特征进行加权连接，接着再进行1*1卷积，最后进行上采样，获取门控解码信息；
步骤S41A~S44A的过程表示为：
；
其中，表示门控解码单元中原始输入特征的加权权重，表示
拼接操作，表示1*1卷积操作，表示原始输入特征，表示跳跃输入特征，表示门控解码信息，表示上采样操作。
进一步的，在一示例中，步骤S4具体为：
步骤S41：将图像特征信息作为原始输入特征和步骤S3的增强特征信息作为跳跃输入特征导入第一门控解码单元，获取第一解码特征表示；
步骤S42：将增强特征信息和第一解码特征表示进行跳跃连接，获取第一跳跃图像特征；
步骤S43：将第二残差提取信息作为跳跃输入特征与第一跳跃图像特征作为原始输入特征输入至第二门控解码单元，获取第二解码特征表示；
步骤S44：将第二残差提取信息与第二解码特征表示进行跳跃连接，获取第二跳跃特征表示；
步骤S45：将第一残差提取信息作为跳跃输入特征与第二跳跃图像特征作为原始输入特征输入至第三门控解码单元，获取第三解码特征表示；
步骤S46：将第一残差提取信息和第三解码特征表示进行跳跃连接，获取第三跳跃特征表示，也即最终的门控解码信息。
进一步的，步骤S5中的损失函数具体为：
；
；
；
其中，表示真实分割图，表示预测分割图，表示Dice损失函数，表示
交叉熵损失函数，表示总损失函数，和分别表示预设的参数。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为保护范围。
Claims (6)
1.一种基于频域增强和门控解码的图像分割方法，其特征在于，包括以下步骤：
步骤S1：构建数据集，数据集包括若干肝肿瘤图像；
步骤S2：构建由混合编码模块、频域增强模块和门控解码模块图像构成的图像分割模型，导入步骤S1的图像进入混合编码模块，获取图像特征信息；
其中，导入步骤S1的图像进入混合编码模块的过程中，混合编码模块的编码模块的残差结构块依次对图像进行下采样，获取残差提取信息；
步骤S3：导入步骤S1中的图像至频域增强模块，获取增强特征信息；
步骤S4：导入步骤S2中的残差提取信息和图像特征信息与步骤S3的增强特征信息至门控解码模块中，获取门控解码信息；
步骤S5：对门控解码信息通过进行卷积获取最终的预测分割图像，构建损失函数，通过最小化损失函数以优化图像分割模型的参数。
2.如权利要求1所述的一种基于频域增强和门控解码的图像分割方法，其特征在于，步骤S2中的混合编码模块包括依次连接的编码模块、编码模块和模块；编码模块由依次连接的包括3层卷积层的第一残差结构块、包括4层卷积层的第二残差结构块和包括9层卷积层的第三残差结构块构成；
步骤S2具体为：
步骤S21：编码模块的第一、第二和第三残差结构块对图像进行处理，获取残差提取信息；提取出图像的局部信息并降低输入的图像的数据维度，以减少计算量，表示为：
；
其中，表示残差提取信息，表示对图像依次进行3次残差结构块下采样操作，表示输入的图像；
步骤S22：编码模块对步骤S21的残差提取信息进行处理，捕获残差提取信息的全局特征，获取全局特征信息，表示为：
；
其中，表示全局特征信息，表示12层的编码模块对提取特征信息进行编码操作；
步骤S23：模块对步骤S22的全局特征信息进行特征恢复，使得图像特征信息与步骤S21的残差提取信息格式一致，表示为：
；
其中，表示图像特征信息，表示对输入特征进行特征恢复操作。
3.如权利要求1所述的一种基于频域增强和门控解码的图像分割方法，其特征在于，步骤S3中的频域增强模块包括格式转换层、DCT变换层、高频层，多头注意力块和Reshape模块；
步骤S31：格式转换层将输入的图像转换为yCbCr格式；
步骤S32：将转化格式后的图像通过DCT变换层进行离散余弦变换，获取变换图像特征；
步骤S33：通过高频层提取步骤S32的变换图像特征的高频信息，通过低频层提取步骤S32的变换图像特征的低频信息，接着将高频信息和低频信息进行拼接，获取拼接图像特征；
提取过程中，将变换图像特征的每个色道的前32个通道合并为高频带，将后32个通道合并为低频带，以分别处理高频和低频信息，其中，色道包括y通道、Cb通道和Cr通道，表示为：
；
；
其中，表示得到的高频信息，表示得到的低频信息，表示拼接操作，表示对输入特征取前32个通道，表示对输入特征取后32个通道，表示对输入特征进行DCT变换，分别表示转换为yCbCr格式图像的y通道、Cb通道和Cr通道的特征；
步骤S34：接着通过多头注意力块分别对得到的高频信息和低频信息进行特征增强，获取增强图像高频特征和增强图像低频特征，接着进行拼接，获得拼接图像增强特征，之后再通过多头注意力块将拼接图像增强特征进一步增强，获得图像增强特征，表示为：
；
其中，表示图像增强特征，表示多头自注意力块增强操作，表示分别将特征的y通道、Cb通道和Cr通道进行拼接操作；
步骤S35：通过Reshape模块对图像增强特征进行特征恢复，获得第一恢复图像特征,再通过多头注意力块对第一恢复图像特征进行特征增强，获得第一增强图像特征,再通过Reshape模块对第一增强图像特征进行特征恢复，获得增强特征表示；
；
其中，表示增强特征信息，表示进行特征恢复操作，表示多头自注意力块增强操作。
4.如权利要求1所述的一种基于频域增强和门控解码的图像分割方法，其特征在于，步骤S4中的门控解码模块包括第一门控解码单元、第二门控解码单元和第三门控解码单元，第一门控解码单元、第二门控解码单元和第三门控解码单元结构相同均用于门控解码，所述门控解码操作具体为：
步骤S41A；对跳跃输入特征进行1*1卷积，接着进行特征恢复；
步骤S42A；对原始输入特征进行1*1卷积；
步骤S43A：对步骤S41A处理后的跳跃输入特征和步骤S42A处理后的原始输入特征进行数据拼接，获取拼接特征；
步骤S44A：对步骤S43A的拼接特征进行1*1卷积，卷积后的拼接特征与步骤S42A的原始输入特征进行加权连接，接着再进行1*1卷积，最后进行上采样，获取门控解码信息；
步骤S41A~S44A的过程表示为：
；
其中，表示门控解码单元中原始输入特征的加权权重，表示拼接操作，表示1*1卷积操作，表示原始输入特征，表示跳跃输入特征，表示门控解码信息，表示上采样操作。
5.如权利要求4所述的一种基于频域增强和门控解码的图像分割方法，其特征在于，步骤S4具体为：
步骤S41：将图像特征信息作为原始输入特征和步骤S3的增强特征信息作为跳跃输入特征导入第一门控解码单元，获取第一解码特征表示；
步骤S42：将增强特征信息和第一解码特征表示进行跳跃连接，获取第一跳跃图像特征；
步骤S43：将第二残差提取信息作为跳跃输入特征与第一跳跃图像特征作为原始输入特征输入至第二门控解码单元，获取第二解码特征表示；
步骤S44：将第二残差提取信息与第二解码特征表示进行跳跃连接，获取第二跳跃特征表示；
步骤S45：将第一残差提取信息作为跳跃输入特征与第二跳跃图像特征作为原始输入特征输入至第三门控解码单元，获取第三解码特征表示；
步骤S46：将第一残差提取信息和第三解码特征表示进行跳跃连接，获取第三跳跃特征表示，也即最终的门控解码信息。
6.如权利要求1所述的一种基于频域增强和门控解码的图像分割方法，其特征在于，步骤S5中的损失函数具体为：
；
；
；
其中，表示真实分割图，表示预测分割图，表示Dice损失函数，表示交叉熵损失函数，表示总损失函数，和分别表示预设的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411211236.XA CN118710915A (zh) | 2024-08-30 | 2024-08-30 | 一种基于频域增强和门控解码的图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411211236.XA CN118710915A (zh) | 2024-08-30 | 2024-08-30 | 一种基于频域增强和门控解码的图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118710915A true CN118710915A (zh) | 2024-09-27 |
Family
ID=92823349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411211236.XA Pending CN118710915A (zh) | 2024-08-30 | 2024-08-30 | 一种基于频域增强和门控解码的图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118710915A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
| US20210233240A1 (en) * | 2020-01-17 | 2021-07-29 | Ping An Technology (Shenzhen) Co., Ltd. | Device and method for detecting clinically important objects in medical images with distance-based decision stratification |
| CN113344951A (zh) * | 2021-05-21 | 2021-09-03 | 北京工业大学 | 一种边界感知双重注意力引导的肝段分割方法 |
| CN113807355A (zh) * | 2021-07-29 | 2021-12-17 | 北京工商大学 | 一种基于编解码结构的图像语义分割方法 |
| CN114240962A (zh) * | 2021-11-23 | 2022-03-25 | 湖南科技大学 | 一种基于深度学习的ct图像肝脏肿瘤区域自动分割方法 |
| CN116309648A (zh) * | 2023-05-14 | 2023-06-23 | 哈尔滨理工大学 | 一种基于多注意力融合的医学图像分割模型构建方法 |
| CN117422652A (zh) * | 2023-07-21 | 2024-01-19 | 大连海事大学 | 基于透射率和大气光的深度学习水下图像增强方法 |
-
2024
- 2024-08-30 CN CN202411211236.XA patent/CN118710915A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021104056A1 (zh) * | 2019-11-27 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
| US20210233240A1 (en) * | 2020-01-17 | 2021-07-29 | Ping An Technology (Shenzhen) Co., Ltd. | Device and method for detecting clinically important objects in medical images with distance-based decision stratification |
| CN113344951A (zh) * | 2021-05-21 | 2021-09-03 | 北京工业大学 | 一种边界感知双重注意力引导的肝段分割方法 |
| CN113807355A (zh) * | 2021-07-29 | 2021-12-17 | 北京工商大学 | 一种基于编解码结构的图像语义分割方法 |
| CN114240962A (zh) * | 2021-11-23 | 2022-03-25 | 湖南科技大学 | 一种基于深度学习的ct图像肝脏肿瘤区域自动分割方法 |
| CN116309648A (zh) * | 2023-05-14 | 2023-06-23 | 哈尔滨理工大学 | 一种基于多注意力融合的医学图像分割模型构建方法 |
| CN117422652A (zh) * | 2023-07-21 | 2024-01-19 | 大连海事大学 | 基于透射率和大气光的深度学习水下图像增强方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAO, DECHEN等: "A graph-based edge attention gate medical image segmentation method", A GRAPH-BASED EDGE ATTENTION GATE MEDICAL IMAGE SEGMENTATION METHOD, 27 March 2023 (2023-03-27) * |
| 姚发展;李智;王丽会;程欣宇;张健;: "深度迭代融合的脑部磁共振图像颅骨去除网络", 中国图象图形学报, no. 10, 16 October 2020 (2020-10-16) * |
| 钱宝鑫;肖志勇;宋威;: "改进的卷积神经网络在肺部图像上的分割应用", 计算机科学与探索, no. 08, 6 May 2020 (2020-05-06) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112927240B (zh) | 一种基于改进的AU-Net网络的CT图像分割方法 | |
| CN112365496B (zh) | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 | |
| CN110265141B (zh) | 一种肝脏肿瘤ct影像计算机辅助诊断方法 | |
| WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 | |
| CN112950639B (zh) | 一种基于SA-Net的MRI医学图像分割方法 | |
| CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
| CN110008992B (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
| CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
| Sheng et al. | Second-order ResU-Net for automatic MRI brain tumor segmentation | |
| CN117078941B (zh) | 一种基于上下文级联注意力的心脏mri分割方法 | |
| CN117237196A (zh) | 基于隐式神经表征的脑部mri超分辨率重建方法及系统 | |
| CN115471470A (zh) | 一种食管癌ct图像分割方法 | |
| CN114596318A (zh) | 一种基于Transformer的乳腺癌磁共振成像病灶分割方法 | |
| CN114066911B (zh) | 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| CN117036380A (zh) | 一种基于级联Transformer的脑肿瘤分割方法 | |
| CN117058307A (zh) | 心脏三维核磁共振图像生成方法、系统、设备及储存介质 | |
| CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
| CN118229974A (zh) | 一种基于分割一切模型的医学图像快速分割方法 | |
| CN114066908A (zh) | 一种用于脑肿瘤图像分割的方法及系统 | |
| CN117523204A (zh) | 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质 | |
| CN117456188A (zh) | 一种基于Transformer的边界辅助肾脏肿瘤分割方法 | |
| CN118710915A (zh) | 一种基于频域增强和门控解码的图像分割方法 | |
| CN113177938B (zh) | 基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件 | |
| CN114119558A (zh) | 一种自动生成鼻咽癌影像诊断结构化报告方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |