技术特征:
1.一种基于双型u
‑
net模型的医学图像分割方法,其特征在于包括如下步骤:步骤1、获取图像数据集,并进行图像增强预处理;步骤2、将预处理后的数据集划分为训练集、验证集和测试集;步骤3、搭建双型u
‑
net网络模型,使用预训练的vgg19替换模型的第一个编码器,对原u
‑
net网络进行改进,加入aspp获取网络模型的上下文信息;步骤4、设计损失函数,评估指标;步骤5、将待分割图像输入到网络模型中进行训练,得到分割结果:将训练集、验证集和测试集分别输入到网络模型中,得到输出图像以及对应的评估指标结果。2.根据权利要求1所述的一种基于双型u
‑
net模型的医学图像分割方法,其特征在于步骤3所述的搭建双型u
‑
net网络模型,是在原u
‑
net模型基础上,再联结一个新编码
‑
解码结构,并使用在imagenet上预训练好的vgg19模型替换双型u
‑
net的第一个编码模块;在编码和解码结构之间加入aspp,使得网络能够获得更高分辨率的特征图,提升模型的性能;具体实现如下:a.引入预训练好的vgg
‑
19结构代替双型u
‑
net的第一个编码模块:b.两个u
‑
net网络串联:在u
‑
net网络模型上,串联一个新的u
‑
net结构,并且将第一个网络的输出和输入同时作为第二个网络的输入,并且将第一个网络的输出和第二个网络的输出进行连结,得到最终的输出结果;c.引入aspp结构:aspp为空洞空间金字塔池化操作,是语义分割模块,用于在卷积之前以多种比例对给定的特征层进行重采样;相当于使用具有互补有效视场的多个filters探测原始图像,从而以多个比例捕获对象以及有用的图像上下文信息。3.根据权利要求2所述的一种基于双型u
‑
net模型的医学图像分割方法,其特征在于步骤4所述的设计损失函数,评估指标,具体实现如下:双型u
‑
net网络模型使用二元交叉熵损失函数,使用dice系数、miou、准确率和召回率作为评估指标对输出结果进行评价对比;dice系数:其中a表示医生标记的真实值,b表示网络预测值;miou:其中,tp表示预测为真阳性,即正确预测为病灶的区域,fn表示假阴性,即错误预测为非病灶区域,fp表示假阳性,即错误预测为病灶区域;准确率(precision):召回率(recall):
技术总结
本发明公开了一种基于双型U
技术研发人员:颜成钢 刘硕 高宇涵 彭开来 孙垚棋 张继勇 李宗鹏
受保护的技术使用者:杭州电子科技大学
技术研发日:2021.06.29
技术公布日:2021/10/23
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。