【技术实现步骤摘要】
本专利技术涉及医学图像分割领域，尤其涉及一种基于反馈机制的医学图像分割方法、终端设备及介质。
技术介绍
1、近年来，随着计算机硬件性能的提高，深度学习(deep learning，dl)技术被应用于众多行业领域中并展现了卓越的性能，其中一个很重要的领域就是应用于医学图像的分割和分类。与传统的机器学习和计算机视觉方法相比，深度学习在分割精度和速度上具有较大的优势。
2、在过去的十年中，基于深度学习的医学图像分割技术专注于开发高效且稳健的分割方法。unet网络就是一项具有里程碑意义的工作，它建立了一个具有跳跃连接的编码器-解码器卷积网络结构，在医学图像分割方面具有所需数据集小且简单、高效的特点。
3、unet借鉴了全卷积神经网络(fully convolutional neural network，fcn)，其网络结构由两部分组成。前一部分的收缩网络使用3×3卷积和池化下采样操作来捕捉图像中的上下文信息，后半部分的扩展网络采用3×3卷积和上采样操作，以达到对图像所需分割部分进行精确定位的目的。unet网络中还使用了跳...
【技术保护点】
1.一种基于反馈机制的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于反馈机制的医学图像分割方法，其特征在于：反馈路径输出通过一个短跳跃连接与主路径中卷积块的输出进行通道维度的拼接。
3.根据权利要求1所述的基于反馈机制的医学图像分割方法，其特征在于：模型网络结构中，网络层数每加深一层，输出特征图的通道数翻倍，层数每减少一层，输出特征图的通道数减半。
4.根据权利要求1所述的基于反馈机制的医学图像分割方法，其特征在于：模型网络结构中各卷积块的结构均为：一个卷积核为3×3，Padding为1的卷积层、一个Ba...
【技术特征摘要】
1.一种基于反馈机制的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于反馈机制的医学图像分割方法，其特征在于：反馈路径输出通过一个短跳跃连接与主路径中卷积块的输出进行通道维度的拼接。
3.根据权利要求1所述的基于反馈机制的医学图像分割方法，其特征在于：模型网络结构中，网络层数每加深一层，输出特征图的通道数翻倍，层数每减少一层，输出特征图的通道数减半。
4.根据权利要求1所述的基于反馈机制的医学图像分割方法，其特征在于：模型网络结构中各卷积块的结构均为：一个卷积核为3×3，padding为1的卷积层、一个batchnorm层、一个relu激活函...
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。