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：南通大学

摘要：本发明提供一种基于多模态特征融合Vnet的乳腺肿块分割方法，包括以下步骤：S1：获取乳腺磁共振图像及医生手工标记的乳腺肿块分割结果的数据集；S2：数据预处理，对数据集中的数据进行划分；S3：构建基于多模态特征融合Vnet的网络模型；S4：训练步骤S3的网络模型，进行参数调整，得到预测的乳腺肿块分割结果；S5：利用设定的评价指标和损失函数对步骤S4所得的预测的乳腺肿块分割结果与S1中医生手工标记的乳腺肿块分割结果进行比较，验证分割方法的有效性。本发明能有效提高乳腺肿块分割准确率，辅助医生进行诊断和决策，减轻医生的负担，在乳腺肿块辅助诊断、手术模拟和医疗教学具有较强的应用价值。

主权项：1.一种基于多模态特征融合Vnet的乳腺肿块分割方法，其特征在于，包括以下步骤：S1：获取乳腺磁共振图像及医生手工标记的乳腺肿块分割结果的数据集；S2：数据预处理，对数据集中的数据进行划分；S3：构建基于多模态特征融合Vnet的网络模型；S4：训练步骤S3的网络模型，进行参数调整，得到预测的乳腺肿块分割结果；S5：利用设定的评价指标和损失函数对步骤S4所得的预测的乳腺肿块分割结果与步骤S1中医生手工标记的乳腺肿块分割结果进行比较，验证分割方法的有效性；所述S3包括如下步骤：S3.1：网络模型的整体结构为编码器-解码器结构，其中，在编码器中并行提取四种模态在不同层级上的深度特征，使用特征融合模块对同层级的四个特征图进行信息融合，特征融合模块包含了RFB感受野模块；首先对4种不同模态的特征图进行通道层上的拼接，这一部分就是RFB模块，RFB引入了不同核大小的空洞卷积层来增大感受野；S3.2：特征融合模块还包含3D-SE模块，内容如下：S3.2.1：压缩：由于特征v的每个单元都不能使用其他单元R的上下文信息，所以通过全局平均池化将全局空间信息压缩成一个通道描述符，R的空间维度H×W由以下方式统计生成R，公式如下： 其中，Rc代表R的第c个元素；S3.2.2：激励：使用步骤S3.2.1中获得的通道描述符来获得通道相关性，该操作通过参数W获得各通道的权重，建立各通道之间的相关性模型；该步骤采用一种简单的门控机制，带有一个sigmoid激活，公式如下：l＝FexR,W＝σgR,W＝σW2δW1R3；其中，δ代表ReLU函数，该步骤由两个全卷积层组成，一个是降维层，包括具有降维率r的参数W1，另一个是具有参数W2的ReLU和降维层，最终输出的通道系数是通过激活函数所获得的，激活函数公式如下： 其中，Fsc是通道式乘法；S3.2.3：通过步骤S3.2.1和步骤S3.3.2得到通道系数，对步骤S3.2.1中所提及的特征v进行新的加权；S3.3：网络模型的编码器包含瓶颈结构和下采样模块，瓶颈结构包含三次重复的基本的单元，即3D卷积层、Batchnormal层，ReLU层，其中ReLU函数公式如下：fx＝max0,x5；在Batchnormal层之后加入短连接，构成残差单元，每个残差单元用如下公式表示：Yi＝hXi+FXi,Wi6；Xi+1＝fYi7；其中，Xi和Xi+1表示第i个残差单元的输入和输出，F·表示残差函数，hXi表示一个标识映射函数，fYi表示激活函数；下采样模块将特征图的分辨率变为原来的一半；S3.4：解码器主要由上采样模块和长连接结构构成，上采样模块逐步地将特征图的分辨率还原成原始输入，长连接将特征融合模块的输出与上采样的输出相连接，网络模型最后的输出为二值图像。

全文数据：

权利要求：

百度查询： 南通大学 一种基于多模态特征融合Vnet的乳腺肿块分割方法