CN116681894B 一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质 （西安电子科技大学）

一种结合大核卷积的相邻层特征融合Unet一种结合大核卷积的相邻层特征融合Unet构建结合大核深度卷积的相邻层特征融合UNet征通道数增加的情况下，大核GRN通道响应模块2所述构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型2.根据权利要求1所述一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其对数据集划分后的影响数据重采样，以消除来源不同的影像之间的差对数据进行归一化，消除奇异样本数据导致的不良影X＝[i_1,i,i+1]对步骤S2处理得到的数据X进行采样，即遍历X并进行顺序采样；顺序采3进行数据增广来扩充训练数据，避免使用少样本训练引起过拟合S5、构建结合大核深度卷积的相邻层特征融合Unet多器官分割网络，并命名为ASF_S7、用步骤S1中的测试集和步骤S3处理得到数据3.根据权利要求2所述一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其r_H)modSx)modSx4x*Ny；XWX3i)表示在X上用坐4.根据权利要求2所述一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其3x3卷积层组成；残差连接卷积模块首先将下采样提取到的特征和上采样的特征以相加的5i在特征校准过程中，使用步骤S505第2)步中计算出的特征归一6卷积层1x1卷积层组成；其中残差连接卷积模块首先将下采样提取到的特征和上采样的特5.根据权利要求2所述一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其训练ASF_LKUNet分割网络的过程中，损失函数使用交叉训练过程中，采用Adam(适应性矩估计)优化器；用损失函数J(θ)对(θ)求偏导，参数θ按负梯度方向更新，θ9为更新后的网S602、用步骤S1构建的数据集中的训练集以及步骤6.基于权利要求1至权利要求5任一项所述的一种结合大核卷积的相邻层特征融合7相邻层特征融合模块，用于融合相邻层的特征，得到更多细节大核GRN通道响应模块，用于对融合后的特征通道进行全局响应归一化来增强通道选7.基于权利要求1至权利要求5任一项所述的一种结合大核卷积的相邻层特征融合处理器，用于执行所述计算机程序时实现权利要求1至权利要求5任8[0003]现有技术方案包括基于传统的多器官分割方法，基于传统机器学习(Machine有的局部性，基于CNN的模型通常在捕获远程关系方面存在局限性。最近，随着Vision9[0015]对数据进行归一化，消除奇异样本数据导致的不良影响和加快网络训练收敛速[0026]S5、构建结合大核深度卷积的相邻层特征融合Unet多器官分割网络，并命名为进行测试，利用DSC系数和豪斯多夫距离(HD95)对模型的分割性能进行量化评价；其中，进行测试，利用DSC系数和豪斯多夫距离(HD95)对模型的分割性能进行量化评价；其中，dn为标签特征图Y和分割特征图之间的单向yy]]合，使得该模块能够同时捕获局部和全局特征，有效缓解CNN长距离依赖性建模的局限问层和3x3卷积层组成；残差连接卷积模块首先将下采样提取到的特征和上采样的特征以相加的方式进行融合，残差连接的3x3卷积层负责提取特征和降低特征通道数，在另外两个计信息的标量；假设X是n维的特征，即X＝(x1,x2,x3,...xn)，则L2范数可以表示为，i表示第i个特征图，N()和分别代表全局特征聚合和特征归一化，转置卷积层1x1卷积层组成；其中残差连接卷积模块首先将下采样提取到的特征和上采样[0097]训练ASF_LKUNet分割网络的过程中，损失函数使用交叉熵损失函数和Dice损失函数LUCS(j,),定义为：[0106]基于上述结合大核卷积的相邻层特征融合Unet多器官分割方法的分割系统，包[0107]大核残差连接卷积编码器，用于网络输入切片B，并提取特征全局信息和局部信[0110]大核GRN通道响应模块，用于对融合后的特征通道进行全局响应归一化来增强通[0111]基于上述结合大核卷积的相邻层特征融合Unet多器官分割方法的分割设备，包CNN长距离依赖性建模的局限问题，并且大核深度卷积能够拥有ViT捕获全局信息的能力，中的所有内容都参与训练，本发明以256x256x3大小作为网络输入并对步骤S2处理得到的yy]]度和90度之间的旋转和水平左右平移方式实现[0167]构建结合大核深度卷积的相邻层特征融合Unet多器官分割网络，并命名为ASF_和上采样的特征以相加的方式进行融合，残差连接的3x3卷积层负责提取特征和降低特征计信息的标量；假设X是n维的特征，即X＝(x1,x2,x3,...xn)，则L2范数可以表示为，i表示第i个特征图，N()和sc分别代表全局特征聚合和特征归一化，2x2的转置卷积层和1个1x1卷积层组成；其中残差连接卷积模块首先将下采样提取到的特[0198]训练分割器的过程中，损失函数使用交叉熵损失函数和Dice损失函数定义为：[0203]训练过程中，采用Ada进行测试，利用DSC系数和豪斯多夫距离(HD95)对模型的分割性能进行量化评价；其中，[0213]本发明提出了大核残差连接卷积方法(LKResidualBlock)，其中残差连接可以