【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...
【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...
【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。