【技术实现步骤摘要】
本专利技术涉及子宫肌瘤处理，更具体的说，它涉及医学图像的子宫肌瘤分割方法。
技术介绍
1、如今采用高强度聚焦超声技术进行子宫肌瘤治疗，h i fu消融技术是利用一定的聚焦技术将体外低能量的超声聚焦到体内特定区域，借助超声的生物学效应使组织产生不可逆的凝固型坏死，但却不损伤周围的正常组织，从而达到消融肿瘤的目的，越来越多的深度学习模型被应用于医学图像研究，其中最广泛使用的是基于卷积神经网络的技术，但在实践中发现，由于特征信息的间接传递，使得经过传递后的特征增加了不准确性，导致可能发生位置信息不准确和病灶边缘的分割不准确，往往存在对小体积肿瘤识别困难，边界分割差的问题，导致分割预测结果可靠性不高，此外，目前分型主要依赖医生主观判断，需要消耗大量的时间进行分析，尚无自动化分型算法和装置。医生的诊断依赖于医生的年资和诊断经验，主观性较强，一致性较差。为此，本专利技术提出一种基于深度学习分割模型的自动化分型方法，基于语义分割确定浆膜和黏膜的区域，然后基于医学影像上的实例分割获取子宫肌瘤的区域，提取相关特征后自动化得出分型，对子宫肌瘤进行临床诊断时...
【技术保护点】
1.医学图像的子宫肌瘤分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的医学图像的子宫肌瘤分割方法，其特征是：所述步骤四中在确认所述噪声点为目标噪声点之前，还包括：获取用于图像恢复训练的第一超声图像数据集；所述第一超声图像数据集包括通过超声设备输出的第一原始超声图像样本、以及将所述第一原始超声图像样本分割得到的第一图像分割样本；将所述第一图像分割样本按照分割路线进行重组，得到第一恢复图像样本；去除第一原始图像样本中的第一噪声点，得到第一预处理图像样本；根据预设的交叉熵损失函数确定所述第一预处理图像样本和所述第一恢复图像样本之间的第一相似度损失。<...
【技术特征摘要】
1.医学图像的子宫肌瘤分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的医学图像的子宫肌瘤分割方法，其特征是：所述步骤四中在确认所述噪声点为目标噪声点之前，还包括：获取用于图像恢复训练的第一超声图像数据集；所述第一超声图像数据集包括通过超声设备输出的第一原始超声图像样本、以及将所述第一原始超声图像样本分割得到的第一图像分割样本；将所述第一图像分割样本按照分割路线进行重组，得到第一恢复图像样本；去除第一原始图像样本中的第一噪声点，得到第一预处理图像样本；根据预设的交叉熵损失函数确定所述第一预处理图像样本和所述第一恢复图像样本之间的第一相似度损失。
3.根据权利要求1所述的医学图像的子宫肌瘤分割方法，其特征是：当所述第一相似度损失满足预设的相似度阈值时，确定所述第一噪声点为所述重要特征点；在根据预设的交叉熵损失函数确定所述第一预处理图像样本和所述第一恢复图像之间的第一相似度损失之后，还包括：当所述第一相似度损失低于预设的相似度阈值时，依次保留所述第一原始图像样本中的一个第二噪声点并得到第二预处理图像样本；根据预设的交叉熵损失函数确定所述第二预处理图像样本和所述第一恢复图像样本之间的第二相似度损失；当所述第二相似度损失满足预设的相似度阈值时，确定所述第二噪声点为所述重要特征点。
4.根据权利要求1所述的医学图像的子宫肌瘤分割方法，其特征是：所述解码器的每层均设置有双卷积模块；所述通过所述解码器对所述自适应特征图进行层层解码，包括：通过所述编码器的每层的双卷积模块将输入的自适应特征图与跳跃连接的编码器...
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。