一种基于混合连接的全尺度肺部图像分割算法制造技术

本发明专利技术公开了一种基于混合连接的全尺度肺部图像分割算法，包括采用ConvModule模块，C2f模块，DarknetBottlenet模块和SPPF模块构建肺部图像特征提取模块；构建连接同层上尺度特征的同层特征密集尺度连接模块；构建以跳跃连接的方式将不同层的特征数据进行融合的异层特征稀疏跳跃连接模块；通过同层特征密集尺度连接模块的密集尺度连接和异层特征稀疏跳跃连接模块的稀疏跳跃连接，构建混合连接的全尺度分割模型；根据肺部的图像数据生成的训练集和测试集，对混合连接的全尺度分割模型进行训练；采用训练完成的全尺度分割模型，获取肺部图像分割结果。提高肺部图像分割精度，防止复杂特征丢失和深层网络的梯度消失，避免边缘特征的丢失。

【技术实现步骤摘要】

本专利技术涉及肺部图像分割，尤其涉及一种基于混合连接的全尺度肺部图像分割算法。

技术介绍

1、肺部图像，由于受到前置背景的遮挡，且含有丰富的边缘特征，因此在肺部图像分割过程中分割精度较低，且存在边缘特征丢失的问题。而特征融合是在数字图像处理过程中，为防止图像特征出现特征丢失或梯度消失问题而采取的一种技术。特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。在图像处理过程中，通过特征融合来提升检测和分割的性能。特征金字塔作为特征融合重要的技术，在特征金字塔网络中，多尺度特征融合的目的是从骨干网中提取不同分辨率的特征。传统的特征金字塔采用自上而下的路径来融合第3至第7层的多尺度特征。考虑到单向信息流的限制，panet增加了一个自下而上的路径聚合网络，但计算成本更高；此外，bifpn删除了只有一条输入边的节点，并在同一层次上增加了来自原始输入的额外边；然而，以往的方法只注重特征本文档来自技高网...

【技术保护点】

1.一种基于混合连接的全尺度肺部图像分割算法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于混合连接的全尺度肺部图像分割算法，其特征在于：所述步骤S1中，所述肺部图像特征提取模块的网络结构由依次连接的ConvModule模块、ConvModule模块、C2f模块、ConvModule模块、C2f模块、ConvModule模块、C2f模块、ConvModule模块、C2f模块和SPPF模块构成。

3.根据权利要求2所述的一种基于混合连接的全尺度肺部图像分割算法，其特征在于：所述ConvModule模块由Conv2d层、BatchNorm2d层和SiLU...

【技术特征摘要】

1.一种基于混合连接的全尺度肺部图像分割算法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于混合连接的全尺度肺部图像分割算法，其特征在于：所述步骤s1中，所述肺部图像特征提取模块的网络结构由依次连接的convmodule模块、convmodule模块、c2f模块、convmodule模块、c2f模块、convmodule模块、c2f模块、convmodule模块、c2f模块和sppf模块构成。

3.根据权利要求2所述的一种基于混合连接的全尺度肺部图像分割算法，其特征在于：所述convmodule模块由conv2d层、batchnorm2d层和silu层构成；所述c2f模块由convmodule层、split层、darknetbottlenet层和concat层构成；所述darknetbottlenet模块由convmodule层和concat层构成；所述sppf模块由convmodule层、maxpool2d层和concat层构成。

4.根据权利要求1所述的一种基于混合连接的全尺度肺部图像分割算法，其特征在于：所述步骤s2中，同层特征密集尺度连接模块中通过密集尺度连接将同层上的所有尺度特征连接；包括根据concat函数将k层第l个特征之前所有的特征进行拼接，拼接完成后经过conv函数进行卷积操作；计算过程如下：

5.根据权利要求1所述的一种基于混合连接的全...

【专利技术属性】
技术研发人员：张琼，杭益柳，
申请(专利权)人：南通理工学院，
类型：发明
国别省市：