一种分割连续CT图像中医学目标的边缘贡献收缩网络方法、设备及介质技术

本发明专利技术公开了一种分割连续CT图像中医学目标的边缘贡献收缩网络方法、设备及介质，属于医学图像处理技术领域。本发明专利技术利用医学目标在上下文中的病理连续性，通过利用病理范围和神经网络分割结果的双向收缩，这种双向收缩的方法考虑了目标在整个上下文中的相关性，使得分割结果更加精准可靠；并且可用于如肿瘤目标等的医学目标的CT图像，其优势在于能够有效地识别并准确划分出这些边缘模糊的区域，提供了一种可靠的方法来处理CT图像中复杂的肿瘤结构。

【技术实现步骤摘要】

本专利技术属于医学图像处理，具体涉及到一种分割连续ct图像中医学目标(尤其是肿瘤目标)的边缘贡献收缩网络方法。

技术介绍

1、分割ct图像中的医学目标(如肿瘤目标)通常采用多种技术，其中包括阈值分割、区域增长、边缘检测、基于机器学习的方法(如卷积神经网络)，形态学分析以及多模态图像融合等。这些技术在图像处理、特征提取和模型训练等方面相互结合，帮助精确地识别肿瘤区域，但需要根据图像特征和任务选择合适的方法。由于肿瘤目标通常包含模糊的边缘，特征与背景为低强度的对比，且直接通过单张ct图像的分割缺乏了目标上下文的连续信息，分割效果有待提升。因此设计一种能够利用ct图像连续信息来精确分割含模糊边缘的肿瘤目标方法是必要的。

技术实现思路

1、本专利技术提供了一种分割连续ct图像中医学目标的边缘贡献收缩网络方法、设备及介质，以提升医学目标尤其是肿瘤目标的分割精确度。

2、一方面，本专利技术公开了一种分割连续ct图像中医学目标的边缘贡献收缩网络方法，该方法包括下列步骤：

3、步骤1，输入医学目标的连本文档来自技高网...

【技术保护点】

1.一种分割连续CT图像中医学目标的边缘贡献收缩网络方法，其特征在于，包括下列步骤：

2.如权利要求1所述的方法，其特征在于，步骤2中，获取可解释性热力图结果时采用的非线性激活函数为ReLU激活函数。

3.如权利要求1所述的方法，其特征在于，像素贡献价值矩阵V具体获取方式为：

4.如权利要求1所述的方法，其特征在于，步骤3包括：

5.如权利要求1所述的方法，其特征在于，3D型卷积神经网络在训练时采用的复合损失函数L＝βLV+γLout，其中，LV表示贡献边缘损失，Lout表示分割损失，两个系数β、γ为超参数，其初始值为预设值，且β+γ＝1。...

【技术特征摘要】

1.一种分割连续ct图像中医学目标的边缘贡献收缩网络方法，其特征在于，包括下列步骤：

2.如权利要求1所述的方法，其特征在于，步骤2中，获取可解释性热力图结果时采用的非线性激活函数为relu激活函数。

3.如权利要求1所述的方法，其特征在于，像素贡献价值矩阵v具体获取方式为：

4.如权利要求1所述的方法，其特征在于，步骤3包括：

5.如权利要求1所述的方法，其特征在于，3d型卷积神经网络在训练时采用的复合损失函数l＝βlv+γlout，其中，lv表示贡献边缘损失，lout表示分割损失，两个系数β、γ为超参数，其初始值为预设值，且β+γ＝1。

6.如权利...

【专利技术属性】
技术研发人员：饶云波，吕青松，马岩锦，刘达浪，朱佳龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：