一种基于自适应特征融合的医疗超声图像分割方法及系统

专利主权项内容

1.一种基于自适应特征融合的医疗超声图像分割方法，其特征在于：包括：获取超声图像；将超声图像进行样本增值以及标记变换得到超声图像数据组；基于ResNet-101网络以及多个深度卷积构建自适应集成神经网络模型；基于Pytorch框架对自适应集成神经网络模型中进行训练；将超声图像数组输入ResNet-101网络得到浅层特征和深层特征，所述深层特征经过多个深度卷积处理合并输出多尺度深层特征，利用残差跳跃结构将多尺度深层特征融合并输出融合特征，利用softmax函数将融合特征转换成预测类别结果；所述基于ResNet-101网络以及多个深度卷积构建自适应集成神经网络模型，包括：所述自适应集成神经网络模型包括基础网络块、多深度卷积块、自适应集成块以及上采样块；将超声图像数组输入至基础网络块，基础网络块采用ResNet-101网络，ResNet-101网络包含多个残差块，每个残差块使用3个3×3卷积层和跳跃连接，ResNet-101网络完成图像的初步特征提取，输出多个残差块的结果，所述多个残差块结果为网络的浅层特征和深层特征；所述多深度卷积块包括4个卷积分支，第一个分支由1×1卷积层组成，第2-4分支由1×1卷积层和2-4个串联的3×3卷积层组成，若3×3的卷积层有缺失特征，每个3×3的卷积层上，缺失特征使用零填充；多深度卷积块接受ResNet-101输出的深层特征，使用不同深度的多分支小尺寸卷积并行提取多尺度特征，四个分支的所有输出合并连接起来，输出多尺度深层特征；所述自适应集成块基于一个3×3融合卷积将多尺度深层特征融合进行初步融合，得到初步融合特征；将初步融合特征输入至残差跳跃结构，所述残差跳跃结构中嵌入通道注意力结构，所述通道注意力结构使用全局池化分支将初步融合特征映射转换为具有全局平均池化的D维权重向量，其中D表示通道数，每个通道的初步融合特征都乘以权重向量中相应的元素，得到多个向量值，将向量乘法后的多个向量值进行矩阵点加，输出融合特征；所述上采样块包括上采样以及一个1x1卷积层，利用上采样将融合特征放大，1x1卷积层将通道数处理降低为一个通道，放大后的融合特征进入1x1卷积层处理后的通道，输出特征图，经过softmax函数将得到的特征图转换为预测类别结果。 微信公众号马克数据网