CN113920132B 基于多尺度特征学习网络的冠脉cta分割方法和系统 （珠海横乐医疗科技有限公司）

合作中医药科技产业园豆蔻路36号1基于多尺度特征学习网络的冠脉CTA分割方本发明涉及一种基于多尺度特征学习网络练集；通过基于U-Net架构的多尺度特征提取的2S300，将所述采集冠脉CTA图像通过所述分割模型执行所述基于U-Net架构的多尺度特征提取的深度学习网络包括编码模块及解码模块，所述编码模块包括第一编码模块及第二编码模块，所述第一编码模块用于通过批标准化和RELU激活函数对所述训练集处理得到输出特征图，输出特征图空间大小与输入特征图一所述第一分支通过最大池化层和1x1x1卷积串联组成，所述第一分支的1x所述第二分支通过1x1x1卷积和3x3x3卷积串联组成，所述第二分支的1x1x1卷积的空所述第一编码模块通过所述第一分支、所述第二分支及所述第三分支的步长为2的卷通过串联操作将所述第一分支、所述第二分支及所述第三分支输出的特征图进行组2.根据权利要求1所述的基于多尺度特征学习网络的冠脉CTA分割方法，其特征在于，采集得到的冠脉CTA图像提取64x64x64立方像素大小的子块图像，利用数据增强的方3.根据权利要求1所述的基于多尺度特征学习网络的冠脉CTA分割方法，其特征在于，3所述第五分支通过3x3x3卷积和1x1x1卷积串联组成，所述第五分支的3x3x3卷积的空所述第六分支通过3x3x3卷积、3x3x3卷积和1x1x1卷积串联组成，其中所述第六分支所述解码模块使用残差连接来防止梯度消失，并将将输入特征图4.根据权利要求1所述的基于多尺度特征学习网络的冠脉CTA分割方法，其特征在于，所述基于U-Net架构的多尺度特征提取的深度学习网络尾部还设置有1x1x1卷积层，1x1x15.根据权利要求1所述的基于多尺度特征学习网络的冠脉CTA分割方法，其特征在于，所述基于U-Net架构的多尺度特征提取的深度学习网络的训练过程采用Adam优化器和Dice训练模块，用于通过基于U-Net架构的多尺度特征提取的深度学习网络对所述训练集所述基于多尺度特征学习网络的冠脉CTA分割系统还包括编码模块及解码模块，所述所述第一分支通过最大池化层和1x1x1卷积串联组成，所述第一分支的1x4所述第二分支通过1x1x1卷积和3x3x3卷积串联组成，所述第二分支的1x1x1卷积的空所述第一编码模块通过所述第一分支、所述第二分支及所述第三分支的步长为2的卷通过串联操作将所述第一分支、所述第二分支及所述第三分支输出的特征图进行组5[0004]现有的冠脉血管分割算法可以分为传统的血管分割算法和基于深度学习的分割[0006]根据所述的基于生成对抗网络和深度学习的有害网站的检测方法，其中S100包[0007]根据所述的基于生成对抗网络和深度学习的有害网站的检测方法，其中基于U-Net架构的多尺度特征提取的深度学习网络包括编码模块及解码模块，所述编码模块包括6及第三分支构成；所述第一分支通过最大池化层和1x1x1卷积串联组成，所述第一分支的所述第一编码模块通过所述第一分支、所述第二分支及所述第三分支的步长为2的卷积或[0011]根据所述的基于生成对抗网络和深度学习的有害网站的检测方法，其中基于U-Net架构的多尺度特征提取的深度学习网络尾部还设置有1x1x1卷积层，1x1x1卷积层通过[0012]根据所述的基于生成对抗网络和深度学习的有害网站的检测方法，其中基于U-Net架构的多尺度特征提取的深度学习网络的训练过程采用Adam优化器和Dice损失函数执[0013]本发明的技术方案还包括一种基于多尺度特征学习网络的冠脉CTA分割系统，其7技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中[0034]图2所示为根据本发明实施方式的深度学习网络图，本实施例首先从采集得到的冠脉CTA图像提取64x64x64立方像素大小的子块图像，然后利用数据增强的方式增加不同8更宽的网络获取丰富的高级上下文信息并保留细节的空间信息，实现CTA图像中冠脉的准[0036]图3所示为根据本发明实施方式的U0模块网络图，U0为U-N[0038]图5所示为根据本发明实施方式的U2模块网络图，相似地，U2模块也采用类训练集；训练模块用于通过基于U-Net架构的多尺度特征提取的深度学习网络对训练集进9以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此