CN119515827A 一种基于图像实例分割的腺样体识别方法及装置 （西安交通大学口腔医院）

一种基于图像实例分割的腺样体识别方法本申请公开了一种基于图像实例分割的腺负责初步特征提取，C2f模块进一步深度处理特特征融合模块采用路径聚合网络整合所有尺度2选取医学影像数据库中的头颅侧位片图像，并对其进行标注获取类别标骨干网络负责初步特征提取，通过多个处理阶段逐渐减小特征特征融合模块采用路径聚合网络执行特征提取步骤，直至所有尺度的特征图均被整根据分类预测结果调整候选框的位置和大小，以确保准确的腺样体将随机裁剪和随机缩放后的图像块归一化至通过骨干网络对训练样本进行初步特征提取，每通过一个处理阶段，C2f模块将输入的每张特征图分为两部分，一部分特征图通过经过Bottleneck模块输出的特征图会与残差连接部分的特征图在通道维度上进行拼通过卷积层对拼接后的特征图进行通道数的压缩和特征融合，从而生成输出的特征3高层次的特征图进行上采样以与其前一层的特将上采样后的高层次的特征图与其前一层特征图在通道维度上进行新的特征图通过C2f模块以提取特征并增强特征经过C2f模块提取后的低层次特征图经过卷积操作缩小尺寸后与相邻的高层次特征图检测头接收融合后的特征图作为输入，并利用所输入的融合后标注模块，用于选取医学影像数据库中的头颅侧位片图像，并对其进行标注获获得识别结果模块，用于根据分类预测结果调整候选框的位45通过残差连接传递至C2f模块的输出端，另一部分特征图经过两层Bottleneck模块进行特征图经过卷积操作缩小尺寸后与相邻的高层次特征图进行拼接，并再次通过C2f模块提取6数据库中的头颅侧位片图像进行标注和预处理，为实例分割模型提供了高质量的训练样模块和检测头的实例分割模型，实现了对腺样体及其相关结构的深度特征提取和精确分[0020]图2为本申请实施例提供的对所选取的每张头颅侧位片图像进行预处理的具体流[0022]图4为本申请实施例提供的特征融合模块采用路径聚合网络执行特征提取步骤的[0024]图6为本申请实施例提供的实例分割模型训练过程中，实例分割与分类两大任务[0026]图8为本申请实施例提供的通过混淆矩阵展示实例分割模型预测实例的分类性能7[0029]图11为本申请实施例提供的一种基于图像实例分割的腺样体识别服务器的示意一种基于图像实例分割的腺样体识别方法的唯一执行顺序，在可实现最终结果的情况下，[0036]图2为本申请实施例提供的对所选取的每张头颅侧位片图像进行预处理的具体流[0038]具体地，随机裁剪有助于实例分割模型学习到图像中不确保实例分割模型训练过程中保持稳定的性能，并减少因图像尺寸差异而导致的计算负8用了热启动策略来逐步增大SGD的动量参数。动量参数用于加速SGD在相关方向上的收敛，用步长为大于1的卷积操作或者池化操作来降低特征图的空间分辨率，从而提取出更加抽9P1阶段输出图像的大小是R3202X64,即P1阶段的输出图像的大小的高度和宽度均为320像信息和初步的特征表示。C2f模块首先会将输入的每张特征图在通道维度)上分为两部分。理的特征图进行拼接。特征图B进入两层Bottleneck模块进行进一步的特征提取。梯度，从而优化模型的收敛性。紧接着BN层的是非线性激活函数SiLU(SigmoidLinearUnit)。SiLU函数为模型引入了非线性特性，使其能够学习复杂的非线性关系。在第一层卷积层(cv2)的处理，最终输出为第一层Bottleneck的结果。第二层Bottleneck以第一层具有不同尺度感受野的特征图。每个池化核都负责提取特征图中特定尺度的上下文信息。[0066]图4为本申请实施例提供的特征融合模块采用路径聚合网络执行特征提取步骤的[0070]S404：经过C2f模块提取后的低层次特征图经过卷积操作缩小尺寸后与相邻的高测头接收融合后的特征图作为输入，并利用所输入的融合后的特征图进行候选框的生成。别信息。提取的特征随后被送入分类器(通常是一个或多个全连接层或卷积层后接一个输出调整后的候选框及其对应的类别标签作为最终的腺样体[0080]图6为本申请实施例提供的实例分割模型训练过程中，实例分割与分类两大任务是因为更高的IOU阈值要求模型在预测时需要更加严格地匹配标准区域，从而提高了对定[0082]图8为本申请实施例提供的通过混淆矩阵展示实例分割模型预测实例的分类性能[0083]通过混淆矩阵，我们可以计算出实例分割模型的准确率(Accuracy)、精确率其中，TN表示模型正确地将非标注类样本分类为非标注类。准确率衡量了模型在所有样本上的整体分类性能。精确率衡量了模模型正确地将非标注类样本分类为非标注类的[0084]图9为本申请实施例提供的指标在不同类别(腺样体和上气道)上的检测情况示意[0090]本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、实现方法的软件模块又可以是硬件部件内的结[0093]如图11所示，本申请实施例还提供了一种基于图像实例分割的腺样体识别服务