CN114359293B 一种基于深度学习的三维mri脑肿瘤分割方法 （南昌大学）_第1页
CN114359293B 一种基于深度学习的三维mri脑肿瘤分割方法 （南昌大学）_第2页
CN114359293B 一种基于深度学习的三维mri脑肿瘤分割方法 （南昌大学）_第3页
CN114359293B 一种基于深度学习的三维mri脑肿瘤分割方法 （南昌大学）_第4页
CN114359293B 一种基于深度学习的三维mri脑肿瘤分割方法 （南昌大学）_第5页
已阅读5页，还剩11页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

AU2020103905A4,2021.02.11一种基于深度学习的三维MRI脑肿瘤分割方法本发明公开了一种基于深度学习的三维MRI入了多尺度卷积联合模块和全局上下文聚合模和全局上下文信息并减少了学习到的冗余特征2利用所述训练集对深度卷积神经网络进行训练并利用所述验证集随时对训练的网络将测试数据送入训练好的深度卷积神经网络模型进行预测，输出的S2所述的编码器包含3组下采样卷积模块和1组经过预处理的数据输入下采样卷积模块，然后输入到多所述的下采样卷积模块包括两个3*3*3卷积，每个卷积后面跟着一个所述的多尺度卷积联合模块包含两组不同膨胀率的卷积；卷积核为3*3*3的卷积后面都跟着1个组数为8的组归一化层和一个ReLu线性单元；组内每完成编码的特征图输入到由3个全局上下文聚合模块构成的解码器中进行解码，最终特征图首先由每个维度步幅为2，卷积核为2*2*2的反卷图D送入到卷积核大小为3*3*3的三维卷积内，并且后面跟着1个组数为8的组卷积以及1个着通道的方向拼接在一起形成全局上下文聚合2.根据权利要求1所述的一种基于深度学习的三维MRI脑肿瘤分割方法，其特征在于，S1所述预处理是将原始大小为155*240*240的三维脑部MRI图像裁切至150*192*192大小，33.根据权利要求1所述的基于深度学习的三;;4[0001]本发明涉及医学图像分割领域，尤其涉及一种基于深度学习的三维MRI脑肿瘤分图像分割是脑肿瘤临床诊断和治疗过程中非常重要的一步，通过在MRI的图像中对肿瘤进成4个输入通道，将原始大小为155*240*240的三维脑部MRI图像裁切至150*192*192大小，[0008]利用所述训练集对所述的深度卷积神经网络进行训练并利用所述验证集随时对[0009]经过预处理的数据首先输入到包含3组下采样卷积模块和1组多尺度卷积联合模5每个卷积核为3*3*3的卷积后面都跟着1个组数为8的组归一化层和一个ReLu线性单元。组两个分支的输出Y1和Y2沿着通道的方向拼接在一起形成全局上下文聚合模块输出Y。在全用善于对前景区域挖掘的Dice损失作为损失函数，来缓解正负样本严重不平衡的不利影6域周围的背景信息，将原始大小155*240*240裁切至的三维脑部MRI图像裁切至150*192*[0035]利用所述训练集对所述的深度卷积神经网络进行训练并利用所述验证集随时对7的方式对编码路径和解码路径中具有相同分辨率特征信息进行融合(通过跳跃连接实现)。融合的特征图经过2个1*1*1的卷积后得到2个特征图记为特征图征权重图最后，S与经过卷积操作的特征图A进行元素相乘得到特征图我们将两个分支的输出Y1和Y2沿着通道的方向拼接在一起形成全局上下文聚合模块输出8用善于对前景区域挖掘的Dice损失作为损失函数，来缓解正负样本严重不平衡的不利影[0053]进一步的，我们使用4种评价指标全面评估脑肿瘤的分割效果，包

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论