一种基于频段分解和深度学习的医学图像分割方法
摘要文本
本发明公开了一种基于频段分解和深度学习的医学图像分割方法，属于图像处理技术领域，包括如下步骤：步骤1、分别获取源域数据集和目标域数据集；源域数据集与目标域数据集均由不同医学成像设备采集的不同患者人群的医学图像构成；步骤2、构建包括图像分解模块、通道适应模块与骨干网络的图像分割深度学习模型；步骤3、将源域数据集作为训练集，对图像分割深度学习模型进行训练，得到训练完成的图像分割深度学习模型；步骤4、将目标域数据集作为测试集，输入到训练完成的图像分割深度学习模型中，得到最终的医学图像分割结果。本发明通过深度学习医学图像中的域不变特征，来实现对当前获取医学图像的有效分割。
申请人信息
- 申请人:山东科技大学
- 申请人地址:266590 山东省青岛市黄岛区前湾港路579号
- 发明人: 山东科技大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于频段分解和深度学习的医学图像分割方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311422916.1 |
| 申请日 | 2023/10/31 |
| 公告号 | CN117152168B |
| 公开日 | 2024/2/9 |
| IPC主分类号 | G06T7/10 |
| 权利人 | 山东科技大学 |
| 发明人 | 单彩峰; 谢小明; 檀韬; 陈皓; 李琦伟 |
| 地址 | 山东省青岛市黄岛区前湾港路579号 |
专利主权项内容
1.一种基于频段分解和深度学习的医学图像分割方法，其特征在于，包括如下步骤：步骤1、分别获取源域数据集和目标域数据集；源域数据集与目标域数据集均由不同医学成像设备采集的不同患者人群的医学图像构成；设源域数据集为，获取的源域数据集为已有标签的数据集；设目标域数据集为，目标域数据集通过医学成像设备实时获取；步骤2、构建包括图像分解模块、通道适应模块与骨干网络的图像分割深度学习模型；图像分割深度学习模型进行图像分割的过程为：步骤2.1、通过图像分解模块对医学图像进行分解，得到分解子图像；所述步骤2.1的具体过程如下：从源域数据集中随机抽取一张图像记为原始图像/>，按照如下公式将原始图像分解为/>张不同频段的分解子图像，分解子图像之间包含不同的频率信息，前/>张分解子图像为高频分解子图像，第/>张分解子图像为低频分解子图像；
(1)；
(2)；式中，为第/>频段图像在/>位置上的强度值；/>为第/>张平滑图像在/>位置上的强度值；/>为第/>张平滑图像在/>位置上的强度值；为第/>频段图像平滑得到的第/>张平滑图像在/>位置上的强度值；为第/>频段图像在/>位置上的强度值；/>为尺度参数/>第/>频段图像在/>位置上的卷积核；/>为卷积操作；尺度参数/>设置为2；当/>时，；步骤2.2、从分解子图像中选取张高频分解子图像，并将/>张维度为的高频分解子图像进行拼接，得到一张维度为/>的多通道图像；其中，/>为分解子图像的宽度，/>为分解子图像的高度；步骤2.3、将多通道图像输入通道适应模块，通道适应模块由四个卷积层构成，第一卷积层、第二卷积层和第三卷积层的卷积核均为3×3，第四卷积层的卷积核为1×1；经过通道适应模块后，多通道图像的维度由变换为/>，即将多通道图像通过卷积层整合成3通道图像，完成对分解子图像中特征信息的提取和整合；步骤2.4、将3通道图像输入骨干网络，得到分割图像；步骤3、将源域数据集作为训练集，对图像分割深度学习模型进行训练，得到训练完成的图像分割深度学习模型；步骤4、将目标域数据集作为测试集，输入到训练完成的图像分割深度学习模型中，得到最终的医学图像分割结果。