CN114596317B 一种基于深度学习的ct影像全心脏分割方法 （东北大学）_第1页
CN114596317B 一种基于深度学习的ct影像全心脏分割方法 （东北大学）_第2页
CN114596317B 一种基于深度学习的ct影像全心脏分割方法 （东北大学）_第3页
CN114596317B 一种基于深度学习的ct影像全心脏分割方法 （东北大学）_第4页
CN114596317B 一种基于深度学习的ct影像全心脏分割方法 （东北大学）_第5页
已阅读5页，还剩15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

一种基于深度学习的CT影像全心脏分割方法本发明公开了一种基于深度学习的CT影像2步骤1：输入待分割三维医学图像，并根据该图像的大小将其步骤3：建立全心脏分割网络，利用全心脏分割网络编码3423化操作改变特征图的大小，得到特征图再经过layer层，得到特征图步骤5：将步骤2预处理后的全心脏CT图像输入步骤4训练好的深度卷积神经网络进行34[0001]本发明涉及医学图像领域，尤其涉及一种基于深度学习的CT影像全心脏分割方病报告2020概要[J].中国循环杂志,2021,36(6):521-545.)指出心血管疾病居我国城乡居民死亡之首，农村占46.6城市占43.81并且据估计我国约有3.3亿人患有心血管疾已经将深度学习应用在全心脏分割。文献[YangX,BianC,YuL,etal.Hybridlossguidedconvolutionalnetworksforwholeheartparsing[C]//Internationalworkshoponstatisticalatlasesandcomputationalmodelsoftheheart.Springer,Cham,2017:215-223.]使用3DUnet网络模型，融合dice损失和交叉熵损失形成新的损失函数达到了良好的分割效果。5Y1234；[0011]步骤5：将步骤2预处理后的全心脏CT图像输入步骤4训练好的深度卷积神经网络层和Relu操作来对所提取的特征进行归一化67道数量，第二个维度和第三个维度均为512，代表X的特征图大小；数组X中的元素表示为图进行融合操作，基于注意力机制的多尺度融合模块如图3所示，注意力机制SE-Net细节23Bi)(2)8[0062]然后对新编码的标签值进行one-hot编码，接着将每个2D切片图像的像素值归一B)(3)9[0071]因为本发明进行的实验为图像分割实验，所以为了定量使用DICE衡量实验结果，以此来评价网络的性能；DICE指标用于计算预测值(X)与真实值[0073]将全心脏分割网络与Unet网络分别在测试集的CT图像上进行测试，得到分割结[0080]根据表3中记录的运行时间，可以分析得到：本发明提出的方法时间只需要10秒基于深度学习的CT影像全心脏分割方法在时间上也取得了

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