【技术实现步骤摘要】
本专利技术涉及人工智能，特别涉及一种基于非对称u型网络的乳腺癌病灶分割系统。
技术介绍
1、近年来，卷积神经网络(cnn)凭借强大的图像特征学习能力，在计算机视觉领域取得了令人难以置信的突破。在医学图像分析中，卷积神经网络在各种图像分析任务中的性能也得到了提升。主流的乳腺超声病灶分割方法主要集中在3个关键方面：多尺度特征提取、注意力机制和深度监督。采用不同卷积核大小的多尺度扩张卷积是获取多尺度特征的常用策略，例如stan和rrcnet。这些变体网络通过不同尺度下的卷积核来细化乳腺肿瘤的特征信息，从而在不同程度上提高了乳腺肿瘤的分割精度。而随着注意力机制的出现，各种编解码与注意力机制集成的网络被开发出来，如msgrap，ae u-net，gg-net等。虽然不同注意力模块的引入提高了网络的分割性能，但注意力机制本身复杂的运算和易受各种因素干扰依旧是研究难点。深度监管机制的引入可以引导网络学会从粗到精优化分割结果，这一策略在一定程度上减缓了外界因素的干扰。
2、在临床诊断过程中，对乳腺超声图像的分割精度和易用性的要求日益提高，因此迫切需要一种乳腺癌超声病灶自动分割方法，助力乳腺癌早期诊断。
技术实现思路
1、本专利技术目的之一在于提供了一种基于非对称u型网络的乳腺癌病灶分割系统，以解决上述问题。
2、本专利技术实施例提供的一种基于非对称u型网络的乳腺癌病灶分割系统，包括：
3、待处理图像获取模块，用于获取待处理图像；
4、处理模块，用于将
5、其中，非对称u型网络包括：多分支残差编码器、外部注意力模块和边界检测模块。
6、优选的，多分支残差编码器，用于采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征。
7、优选的，多分支残差编码器采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征，包括：
8、构建待处理图像对应的特征图；
9、通过多个共用权重的分支对特征图进行细节提取，获取各个分支的模型的输出；
10、基于特征图和各个分支的模型的输出，确定表征特征，计算公式如下：
11、
12、式中，f为表征特征，i0为特征图，为第g分支的模型的输出，g为分支总数。
13、优选的，通过多个共用权重的分支对特征图进行细节提取，获取各个分支的模型的输出，包括：
14、每个分支分别对特征图进行三次卷积和归一化处理。
15、优选的，外部注意力模块包括：键矩阵和值矩阵；
16、将表征特征与键矩阵的转置矩阵相乘后归一化，再与值矩阵相乘得到输出特征。
17、优选的，边界检测模块包括：多级边界检测，用于在解码器的不同层级输出不同分辨率的病灶边界预测图；各级预测图充当监督信号以关注复杂边界轮廓；
18、其中，多级边界检测模块在解码器的不同层级输出不同分辨率的病灶边界预测图，执行如下操作：
19、在预设的高分辨率图像进行上采样，得到与标签图像尺寸相同的特征图；
20、进行卷积操作生成包含了潜在病变区域边界信息的第一参数集；
21、将第一参数集经过最大池化层来获得第二参数集；
22、计算第一参数集与第二参数集之间的绝对差异集作为边界预测图。
23、优选的，非对称u型网络采用的总损失函数如下：
24、
25、其中，n为侧向输出的cnn层总数，用来度量第i侧向层预测结果与真实标签之间的相似性，和分别表示第i层边界损失和分割损失，ω1为预设的第一权重，ω2为预设的第二权重，ω3为预设的第三权重。
26、优选的，在处理模块将待处理图像输入非对称u型网络中，获取分割结果，之前，处理模块还执行如下操作：
27、基于预设的初始特征提取模板，对待处理图像进行特征提取并基于提取的特征值构建图像特征集；
28、将图像特征集与预设的模型存储库中各个非对称u型网络模型对应关联的标准特征集集合内各个标准特征集进行匹配；
29、基于匹配结果，确定各个非对称u型网络模型的适配度；
30、提取适配度最高的非对称u型网络。
31、优选的，非对称u型网络模型对应关联的标准特征集集合通过如下步骤构建：
32、获取非对称u型网络模型的训练数据；
33、基于预设的初始特征提取模板，对训练数据内各个图像进行特征提取并基于提取的关键特征值构建各个图像对应的图像特征集；
34、计算各个图像对应的图像特征集两两之间的相似度；
35、提取总相似度前预设的数量的图像特征集，构建标准特征集集合；其中，构建标准特征集集合的各个图像特征集作为标准特征集；
36、基于标准特征集集合内各个标准特征集对应的总相似度为基准，配置匹配值。
37、优选的，基于匹配结果，确定各个非对称u型网络模型的适配度，包括：
38、解析匹配结果，确定与非对称u型网络模型对应关联的标准特征集集合内各个标准特征集的相似度；
39、基于相似度，确定适配系数；
40、基于适配系数和标准特征集对应的匹配值，确定适配度；
41、其中，适配度为各个标准特征集对应的匹配值与对应的适配系数的乘积的和。
42、本专利技术具有如下优点：
43、1.采用非对称u型分割网络，以提高乳腺超声图像中病灶区域分割的准确性和鲁棒性。
44、2.引入了基于注意力的多分支残差编码器，以增强网络的表征能力。此外，还提出了深度监督边界检测模块，以提高病灶边界的分割精度。
45、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
46、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于非对称U型网络的乳腺癌病灶分割系统，其特征在于，包括：
2.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述多分支残差编码器，用于采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征。
3.如权利要求2所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述多分支残差编码器采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征，包括：
4.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，通过多个共用权重的分支对所述特征图进行细节提取，获取各个分支的模型的输出，包括：
5.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述外部注意力模块包括：键矩阵和值矩阵；
6.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述边界检测模块包括：多级边界检测，用于在解码器的不同层级输出不同分辨率的病灶边界预测图；各级预测图充当监督信号以关注复杂边界轮廓；
7.如权利要求1所述的非对
8.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，在处理模块将所述待处理图像输入非对称U型网络中，获取分割结果，之前，所述处理模块还执行如下操作：
9.如权利要求8所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述非对称U型网络模型对应关联的标准特征集集合通过如下步骤构建：
10.如权利要求8所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述基于匹配结果，确定各个非对称U型网络模型的适配度，包括：
...【技术特征摘要】
1.一种基于非对称u型网络的乳腺癌病灶分割系统，其特征在于，包括：
2.如权利要求1所述的非对称u型网络的乳腺癌病灶分割系统，其特征在于，所述多分支残差编码器，用于采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征。
3.如权利要求2所述的非对称u型网络的乳腺癌病灶分割系统，其特征在于，所述多分支残差编码器采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征，包括：
4.如权利要求1所述的非对称u型网络的乳腺癌病灶分割系统，其特征在于，通过多个共用权重的分支对所述特征图进行细节提取，获取各个分支的模型的输出，包括：
5.如权利要求1所述的非对称u型网络的乳腺癌病灶分割系统，其特征在于，所述外部注意力模块包括：键矩阵和值矩阵；
6.如权利要求1所述的非对称...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。