一种新颖的深度孪生网络改进形变轮廓模型的性能

技术特征：
1.一种新颖的深度孪生网络改进形变轮廓模型的性能，包括网络改进形变轮廓模型，其特征在于：所述网络改进形变轮廓模型的主体架构是一个孪生卷积网络，主要是为训练一个损失函数，该损失函数可为形变轮廓提供搜索目标边缘的评价值；训练所述孪生卷积网络架构的输入数据是一系列的图像对，其中每个分支有相同的结构和参数。所述网络改进形变轮廓模型的每个分支结构由一个卷积层、三个密集连接残差模块dcrb、三个注意力聚焦模块afb、三个平均池化层、一个空间金字塔池spp层和一个完全连接层fc组成；其中的平均池化层的滑动跨步为两个像素，其降低特征图的分辨率，但增加演化层的感受野。2.根据权利要求1所述的一种新颖的深度孪生网络改进形变轮廓模型的性能，其特征在于：所述网络模型中的dcrb旨在通过促进网络内的特征传播来缓解传统深度卷积神经网络训练过程中存在的梯度消失问题，实现所述网络中每个卷积层的输出由一系列的密集连接所有后续的卷积层，并将所有后续卷积层生成的特征图连接起来作为后续层的输入。3.根据权利要求1所述的一种新颖的深度孪生网络改进形变轮廓模型的性能，其特征在于：所述afb位于两个dcrb之间，其作用是通过在网络工作中引入空间注意机制，使得网络在训练过程中聚焦目标对象所在区域，从而减少待分割图像中因素的影响。4.根据权利要求1所述的一种新颖的深度孪生网络改进形变轮廓模型的性能，其特征在于：所述spp能够确保该网络的输入图像在尺寸不同的情况下输出的特征图具有相同的尺寸大小，且在网络末端fc生成输入数据的特征。5.根据权利要求1所述的一种新颖的深度孪生网络改进形变轮廓模型的性能，其特征在于：所述密集连接残差模块增强深度神经网络的特征传播性能，并有效地缓解传统深度卷积神经网络随着网络层数增加导致的特征传播过程中梯度消失问题。6.根据权利要求1所述的一种新颖的深度孪生网络改进形变轮廓模型的性能，其特征在于：所述网络中的注意力聚焦模块主要用于使网络在特征学习阶段聚焦于病变区域，实现该模块由空间金字塔层归一化特征图的尺寸，然后使用将特征图的每个元素与sigmoid层相乘。7.根据权利要求1所述的一种新颖的深度孪生网络改进形变轮廓模型的性能，其特征在于：所述特征存储模块为key-value结构，用于存储目标、背景特征向量，所述模块可看作是目标、背景的先验特征空间，模块中的对象和背景特征向量由网络的fc层给出，然后对其及逆行l2范数的归一化，所述特征存储模块中的value结构用于存储特征向量，key结构用于标注该特征向量是“目标”或“背景”。

技术总结
本发明公开了一种新颖的深度孪生网络改进形变轮廓模型的性能，所述网络的主体架构是一个孪生卷积网络，主要是为训练一个判别性损失函数。所述网络的每个分支的骨干由一个卷积层、三个密集连接残差模块(DCRB)、三个注意力聚焦模块(AFB)、三个平均池化层、一个空间金字塔池SPP层和一个完全连接层FC组成，其中密集连接残余块(DCRB)和注意力聚焦模块(AFB)。本发明中所述网络训练的判别性损失函数被整合进传统的形变轮廓模型用于提升形变轮廓模型在超声图像中搜索目标边缘的性能，此外采用矩阵的秩对超声图像序列中目标形状的相似性进行度量，并将其作为改进后形变轮廓模型的约束项用于增强形变轮廓对超声图像中存在的噪声或模糊边缘的鲁棒性。或模糊边缘的鲁棒性。或模糊边缘的鲁棒性。


技术研发人员：倪波 刘志远
受保护的技术使用者：湖北理工学院
技术研发日：2022.01.20
技术公布日：2022/9/6