一种基于去噪扩散概率模型的乳腺超声图像分割方法技术

本发明专利技术公开了一种基于去噪扩散概率模型的乳腺超声图像分割方法，本发明专利技术提出了一种基于去噪扩散概率模型的医学图像分割方法；该方法增强了对全局语义信息和复杂信息的捕捉能力，同时提高了去噪扩散概率模型对病灶区域的关注度；此外，它更好地实现了噪声和语义特征之间的交互，有效降低了高频噪声的干扰；通过这些改进，本方法能够更准确地分割出乳腺肿瘤图像中的病灶区域，为乳腺肿瘤等疾病的诊断提供了有力支持。

【技术实现步骤摘要】

本专利技术涉及医学图像分割，特别涉及一种基于去噪扩散概率模型的乳腺超声图像分割方法。

技术介绍

1、乳腺肿瘤是一种乳腺上皮细胞在多种致癌因子的作用下发生增殖失控的现象。临床诊断中，由于肿瘤的形状不规则且对比度低，容易被胸肌和其他腺体等高密度组织干扰，给医师的临床诊断造成了很大影响。医学图像分割就是从医学影像中提取病变器官对应的像素区域，并将其划分为不同的病灶区域，旨在获取这些病变部位的信息特征。准确的病灶区域分割辅助医生诊治相关疾病。近年来，医学图像的自动分割在现代计算机辅助诊断(cad)中受到越来越多的关注。随着深度学习技术的出现，医学图像分割技术取得了很大进步，但建立一个可靠的医学图像分割算法体系仍然具有挑战性。

2、随着深度学习技术的飞速发展，其在图像处理任务中展现出的优越性日益凸显。深度学习方法能够自动从图像中学习到更深层次的信息，无需过多人工干预，使其在处理不同成像原理的图像处理任务时具有较好的鲁棒性。在乳腺超声图像分割领域，深度学习技术也得到了广泛应用。通过训练深度学习模型，可以实现对乳腺超声图像中各种器官组织的自动准确分割，为乳腺本文档来自技高网...

【技术保护点】

1.一种基于去噪扩散概率模型的乳腺超声图像分割方法，其特征在于，包括去噪扩散概率模型、高斯分布融合模块和动态条件模块三个部分，具体如下：

2.如权利要求1所述的一种基于去噪扩散概率模型的乳腺超声图像分割方法，其特征在于：双通道动态条件模块中的CNN分支采用ConvNext卷积神经网络架构，该网络使用了分组卷积的思想，其中每个卷积核负责处理一个对应的通道；

3.如权利要求1所述的一种基于去噪扩散概率模型的乳腺超声图像分割方法，其特征在于：双通道动态条件模块中的Transformer分支采用了Swin Transformer模块，该模块采用了下采样的层级设计，能够逐渐...

【技术特征摘要】

1.一种基于去噪扩散概率模型的乳腺超声图像分割方法，其特征在于，包括去噪扩散概率模型、高斯分布融合模块和动态条件模块三个部分，具体如下：

2.如权利要求1所述的一种基于去噪扩散概率模型的乳腺超声图像分割方法，其特征在于：双通道动态条件模块中的cnn分支采用convnext卷积神经网络架构，该网络使用了分组卷积的思想，其中每个卷积核负责处理一个对应的通道；

3.如权利要求1所述的一种基于去噪扩散概率模型的乳腺超声图像...

【专利技术属性】
技术研发人员：廉敬，曹玉竹，张怀堃，石斌，刘冀钊，杨雪丰，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：