买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原理工大学

摘要：本发明属于CT图像的分割与分类方法的技术领域，尤其涉及基于U‑Net和SENet实现直肠癌CT图像的分割与分类方法，解决了现有肿瘤的分割主要依赖医生主观分出，导致分割的主观性比较强并且成本较大的技术问题，其包括图像预处理；利用改进后的U‑Net卷积神经网络进行图像分割，通过改进后的U‑Net卷积神经网络对输入的特征图中的每个像素进行分类，将每个像素分配到不同的类别，即完成图像的分割；通过嵌入了SENet的ResNet卷积神经网络对分割好的图像进行分类，最终输出图像的T期分类结果。本发明所述分类方法的结构精确，能对直肠癌T期分类的判断起到可观的帮助作用，在医学影响领域具有重要意义。

主权项：1.基于U-Net和SENet实现直肠癌CT图像的分割与分类方法，其特征在于，包括以下步骤：步骤一、图像预处理：需要对原始的直肠癌CT图像进行裁剪，对图像进行扩大或缩小比例使肿瘤区域包含于图像内，然后对直肠癌CT图像进行直方图均衡化，将原始图像的灰度图转变为均匀分布，之后再对直肠癌CT图像进行标准归一化处理；步骤二、利用改进后的U-Net卷积神经网络进行图像分割：原始的U-Net卷积神经网络包括Encoder阶段和Decoder阶段，改进时，首先对Encoder阶段每一层编码模块设置padding值，然后在Encoder阶段相邻编码模块的采样过程中分别加入注意力模块，注意力模块从前到后依次包括Globalpooling层、两个全连接层和ReLu层，上一编码模块的输出通过Globalpooling层对特征图进行池化，再通过两个全连接层学习通道的权重，之后通过ReLu层中ReLu函数激活，最终将原始的特征图与ReLu层最后的输出进行Scale操作，改进后的U-Net卷积神经网络中，Encoder阶段包括七层编码器，Decoder阶段包括六层解码器；采用随机梯度下降法对改进后的U-Net卷积神经网络进行训练，框架为Caffee，输入为单个图像；通过改进后的U-Net卷积神经网络对输入的特征图中的每个像素进行分类，将每个像素分配到不同的类别，即完成图像的分割；步骤三、通过嵌入了SENet的ResNet卷积神经网络对分割好的图像进行分类，最终输出图像的T期分类结果。

全文数据：

权利要求：

百度查询： 太原理工大学 基于U-Net和SENet实现直肠癌CT图像的分割与分类方法