【技术实现步骤摘要】
本专利技术涉及图像分割，特别涉及一种基于细粒度引导的超声乳腺图像分割方法。
技术介绍
1、医学图像分割是将医学图像分割成有意义的区域的过程，是许多医学图像分析应用（辅助诊断、治疗规划、疾病检测等）中的基本步骤。医学超声影像检查具有安全性、无创性和成本低等特点，与计算机断层扫描(ct)和核磁共振(mri)相比使用更为普遍，已成为疾病诊疗的有效初诊手段。然而，超声图像常常受到斑点噪声、边缘模糊、对比度不足以及病灶形状复杂等因素的影响，这无形中增加了医生的工作负担，并提高了漏诊和误诊的风险。
2、随着深度学习技术的发展，越来越多的研究成功地将基于神经网络的模型应用于医学图像分割任务，特别是卷积神经网络(convolutional neural networks，cnn)得到了广泛的应用并取得了显著的效果。其中，unet通过端到端训练实现了像素级预测，在医学图像分割领域取得了重大突破。unet通过在编码器和解码器之间引入跳跃连接，将低分辨率特征嵌入到高分辨率特征中，从而显著提高了图像分割能力。受到unet成功的启发，许多主流模型在u...
【技术保护点】
1.一种基于细粒度引导的超声乳腺图像分割方法，其特征在于：包括使用多尺度条件引导扩散模型，利用去噪扩散概率模型得到清晰的去嗓图像，基于细粒度条件引导网络及内含的自适应细节导向注意力模块，学习和融合图像先验信息，增强前景和背景之间的语义相关性；添加上下文解码交叉注意力层，有效捕获输入特征的全局信息和通道间的复杂相关性，整体提升图像分割精度和效率，具体步骤如下：
2.根据权利要求1所述的一种基于细粒度引导的超声乳腺图像分割方法，其特征在于：所述自适应细节导向注意力模块中的三条路径中上方路径为高效通道注意层，通过全局平均池化在空间维度上对每个通道取平均值，生成形...
【技术特征摘要】
1.一种基于细粒度引导的超声乳腺图像分割方法，其特征在于：包括使用多尺度条件引导扩散模型，利用去噪扩散概率模型得到清晰的去嗓图像，基于细粒度条件引导网络及内含的自适应细节导向注意力模块，学习和融合图像先验信息，增强前景和背景之间的语义相关性；添加上下文解码交叉注意力层，有效捕获输入特征的全局信息和通道间的复杂相关性，整体提升图像分割精度和效率，具体步骤如下：
2.根据权利要...
【专利技术属性】
技术研发人员：廉敬，李苗，刘冀钊，张怀堃，魏翔宇，石斌，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：
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。