提供了一种基于形状先验约束的小规模超声图像分割模型。提供的生成基于形状先验约束的小规模超声图像分割模型的方法，包括：S1:收集超声数据，确定超声数据中的分割目标；S2:针对超声图像高噪声、低对比度及边缘模糊问题进行图像预处理及在深度学习框架内进行数据增强；S3:构建超声分割评价指标；S4:构建基础U‑Net分割模型，适配超声分割数据尺寸与分割目标类别数，作为基线模型开展后续步骤工作；S5:设计形状先验约束模块，引入变分自编码器VAE约束模型学习目标结构的形状特征；S6:模型轻量化改进，采用深度可分离卷积与坐标注意力机制轻量化模型的同时提升模型效率；S7:构建损失函数并进行训练，得到所述基于形状先验约束的小规模超声图像分割模型。
【技术实现步骤摘要】
本专利技术涉及医学图像处理领域，具体为一种基于神经网络的医学超声图像结构分割模型。相关方法尤其适配小规模超声数据分割任务，涉及结合形状先验约束、轻量化网络设计等超声图像分割技术。
技术介绍
1、超声成像凭借无辐射、实时性强等优势，在疾病诊断及机器人手术导航中发挥关键作用，精准分割器官组织可有效辅助手术路径规划，降低操作风险并提升诊断一致性。
2、然而当前医学超声图像分割领域仍面临许多现实挑战，数据规模受限是其中亟待解决的核心问题——受医学伦理、数据共享限制及设备差异影响，超声图像有效数据积累困难，公开可用的高质量标注数据集长期匮乏。受限于有限标注数据，现有复杂网络易因样本规模与模型容量失衡而过度拟合数据噪声及无关特征，导致模型在训练集表现优异却泛化能力不足，面对验证集、测试集的数据分布差异时，分割性能显著退化，出现目标漏检、边界断裂等问题。此外，超声图像固有的斑点噪声、低对比度和边缘模糊等特性，进一步加剧了分割难度：这些缺陷降低了目标结构与背景的视觉区分度，使得传统预处理方法难以在抑制噪声的同时保留目标边缘细节。
>3、因此，针对临床本文档来自技高网...
【技术保护点】
1.一种生成基于形状先验约束的小规模超声图像分割模型的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1中所述的超声数据包括BK-500、KL、Philips三种肝脏超声数据以及BUSI乳腺超声数据、FASCICLE小腿肌超声数据；肝脏超声数据的分割目标为切面主血管和囊肿，BUSI乳腺超声数据集分割目标为乳腺结节，FASCICLE小腿肌数据集分割目标为小腿腱膜。
3.根据权利要求1所述的方法，其特征在于，步骤S2中所述的超声图像预处理方法包括针对超声图像高噪声、低对比度及边缘模糊问题，采用Sobel算子进行锐化处理，提升低对比度边...
【技术特征摘要】
1.一种生成基于形状先验约束的小规模超声图像分割模型的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1中所述的超声数据包括bk-500、kl、philips三种肝脏超声数据以及busi乳腺超声数据、fascicle小腿肌超声数据；肝脏超声数据的分割目标为切面主血管和囊肿，busi乳腺超声数据集分割目标为乳腺结节，fascicle小腿肌数据集分割目标为小腿腱膜。
3.根据权利要求1所述的方法，其特征在于，步骤s2中所述的超声图像预处理方法包括针对超声图像高噪声、低对比度及边缘模糊问题，采用sobel算子进行锐化处理，提升低对比度边缘清晰度；再使用斑点噪声抑制各向异性扩散srad算法进行降噪，在抑制噪声的同时保留边缘信息；数据增强方法包括几何变换、亮度调整、对比度调整与弹性形变，丰富训练样本多样性，降低过拟合风险。
4.根据权利要求1所述的方法，其特征在于，步骤s3中所述的分割评价指标包括分类dice系数mdice、交并比iou、平均表面距离asd与豪斯多夫距离hd。
5.根据权利要求1所述的方法，其特征在于，步骤s4中所述的基础u-net分割模型，采用经典的编码器-解码器结构，编码器通过relu函数激活图像特征并进行最大池化下采样，解码器通过上采样和跳跃连接融合多尺度特征，最后通过1×1卷积将...
【专利技术属性】
技术研发人员：王磊，王自锄，
申请(专利权)人：北京航空航天大学，
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。