基于UNet卷积神经网络的膀胱超声图像分割方法及装置.pdf
a是****澜吖
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于UNet卷积神经网络的膀胱超声图像分割方法及装置.pdf
本发明提供了一种基于UNet卷积神经网络的膀胱超声图像分割方法及装置,所述方法包括,利用超声扫描设备获取人体的膀胱超声图像;构建膀胱超声图像的训练集和测试集,训练集和测试集中包括了经过标注和数据增强处理后的所有膀胱超声图像数据;构建UNet卷积神经网络模型,所述UNet卷积神经网络模型包括下采样层和上采样层;利用膀胱超声图像的训练集图像数据对构建的UNet网络模型进行训练,生成网络模型,并利用膀胱超声图像的测试集图像数据对模型效果进行测试;利用训练好的UNet网络模型对超声设备获取的实际膀胱超声图像进行分
基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法.pdf
本发明公开了一种基于改进UNET神经网络的医学图像分割装置,该医学图像分割装置基于改进UNET的USNET网络,包括多个卷积子网和一个输出卷积层;多个所述卷积子网具有尺寸不小于3×3的卷积核,其尺寸从输入到输出逐步增大;每个所述卷积子网的最后均有1个池化层,所述池化层的最大池化操作步长设置为1,不使用降采样和升采样;本发明还公开了应用前述USNET网络进行超声图像分割的子宫体超声图像分析方法。与通常的UNET深度神经网络不同,各个卷积子网结构相同,只是卷积核大小和池化层操作尺寸不同,可以在不降低空间分辨的
全卷积神经网络模型、图像分割方法及装置.pdf
本发明提供了一种全卷积神经网络模型、图像分割方法、装置、电子设备和可读存储介质,获取待分割的目标图像后,采用预先训练好的全卷积神经网络模型对目标图像进行分割,以得到分割后的图像,由于本发明采用的全卷积神经网络模型包括深度多尺度融合模块,所述深度多尺度融合模块可以提取输入图像的不同尺度深度的特征并融合,因此输出的特征结果更加多样,特征模式也更加丰富,有效提高了整体分割算法的精度。采用本发明的全卷积神经网络模型进行图像分割,能够提高图像分割精度,同时也可以减少人机交互的繁琐操作,且本发明的图像分割算法通用性强
基于全卷积网络的乳腺超声图像肿瘤分割方法.pdf
本发明属于图像处理技术领域,具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括:构建基于空洞卷积的全卷积神经网络,用于粗略分割超声图像上获得乳腺肿瘤;构建的DFCN网络中,使用空洞卷积,从而使网络保持较深层的特征图的分辨率,以确保在有大量阴影区域的情况下也能很好地分割肿瘤;此外,DFCN网络中还使用批量归一化技术,使得网络具有更高的学习率,加速了训练过程;利用基于相位信息的动态轮廓PBAC模型,对于粗略分割结果进行优化,得到最终精细的分割结果;实验结果表明,本发明可以准确地分割肿瘤,尤其对
基于轻量级全卷积神经网络的医学图像分割方法.pdf
本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理;然后,对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强;接着,搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构,针对图像数量较少的数据集设计留一法(leave‑one‑out)训练方法;最后,通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪,得到轻量级全卷积神经网络,