【技术实现步骤摘要】
本专利技术涉及医学目标检测，具体涉及一种基于深度学习的脑肿瘤检测方法。
技术介绍
1、脑肿瘤是一种严重危害人类健康的疾病。脑肿瘤的发病率和死亡率持续上升，严重影响着患者的生存质量。脑肿瘤检测作为治疗的初始阶段，及时检测对于患者来说能够延长预期寿命，对于医生来说能够在早期癌症筛查、手术导航以及病情监测方面给予一定的参考辅助作用，为诊疗提供科学依据并减轻医生工作强度。
2、近年来，随着人工智能在医疗领域的发展与应用，深度学习在脑肿瘤检测方面也迎来一定的进展。现有的单阶段yolo系列算法yolov7模型兼顾了速度、精度等多方面指标，架构相对简单且便于迁移，是一个竞争力强的目标检测模型，适合多场景下使用，也是目前主流的检测算法之一。但本申请的专利技术人经过研究发现，该模型在脑肿瘤数据集上检测精度还达不到更高标准的要求，yolov7检测器还存在以下问题：第一，该检测器对于输入的脑肿瘤mr(magnetic resonance，磁共振)图像数据集在提取特征时会受到无关特征的干扰，导致模型过于依赖数据集的特定分布，泛化能力较差；第二，在池...
【技术保护点】
1.一种基于深度学习的脑肿瘤检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述步骤S1和S2中的多分支堆叠模块均包括两个分支，一个分支只做一次CBS操作，另一个分支由五个CBS串联堆叠而成，且CBS在卷积的同时会考虑每个特征图的贡献值来给予权重分配，最后将两个分支的结果在通道上进行拼接操作，再经过一次CBS操作后输出。
3.根据权利要求2所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述每个特征图的权重分配定义如下：
4.根据权利要求1所述的基于深度学习的脑肿瘤检测方法，其...
【技术特征摘要】
1.一种基于深度学习的脑肿瘤检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述步骤s1和s2中的多分支堆叠模块均包括两个分支，一个分支只做一次cbs操作，另一个分支由五个cbs串联堆叠而成，且cbs在卷积的同时会考虑每个特征图的贡献值来给予权重分配，最后将两个分支的结果在通道上进行拼接操作，再经过一次cbs操作后输出。
3.根据权利要求2所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述每个特征图的权重分配定义如下：
4.根据权利要求1所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述骤s12和s23中的mp下采样均包括两个分支，一个分支由最大池化层和一次cbs操作组成，另一个分支由两个cbs串联而成，最后将两个分支的结果在通道上进行拼接操作后输出。
5.根据权利要求1所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述步骤s21中的挤压与激励模块包括挤压和激励两个操作，具体为首先将输入特征u通过一个fsq挤压操作，将特征图在空间维度h×w上做全局汇聚，即一个全局平均池化的操作，从而将一个通道数为c、图像高度为h、图像宽度为w的特征图，压成c通道1×1的通道描述符，具体计算公式如下：
6.根据权利要求1所述的基于深度学习的脑肿瘤检测方法，其特征在于，所述步骤s2...
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。