CN119206237B 一种基于全卷积神经网络的医学图像分割方法 （常熟理工学院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119206237B(45)授权公告日2025.07.08

(21)申请号202411686975.4

(22)申请日2024.11.25

(65)同一申请的已公布的文献号申请公布号CN119206237A

(43)申请公布日2024.12.27

(73)专利权人常熟理工学院

地址215506江苏省苏州市常熟市南三环

路99号

(72)发明人王颖汝吉东宋占科谢从华蒋庆丰毕安琪

(74)专利代理机构北京盛询知识产权代理有限公司11901

专利代理师李梅

(51)Int.CI.

GO6V10/26(2022.01)

GO6T7/00(2017.01)

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN118570614A,2024.08.30审查员唐进岭

权利要求书3页说明书10页附图1页

(54)发明名称

一种基于全卷积神经网络的医学图像分割

方法

(57)摘要

CN119206237B本发明公开了一种基于全卷积神经网络的医学图像分割方法，包括：针对医学图像的复杂解剖结构和病理特征，采用深度学习算法对医学图像进行预处理，增强图像中的关键特征，为后续的特征提取提供更丰富的信息基础；在全卷积神经网络的特征提取阶段，引入注意力机制模块和空间金字塔池化模块学习图像中不同区域的重要性权重，自适应调整卷积核的权重分布，提取更加细粒度和有判别力的特征。通过反卷积操作和跳跃连接结构优化上采样过程，引入条件随机场模型进行后处理优化，构建多尺度特征融合模块，并采用对抗学习策略提高网络的泛化能

CN119206237B

获取全卷积神经网络输出结果

获取全卷积神经网络输出结果

作为条件随机场模型输入使用

构建条件随机场模型

定义像素节点和边缘特征函数

建模像素间空间关系和类别依赖

通过最大后验概率推断优化标签

推断过程考虑局部特征和全局上下文

后处理提高空间一致性和形态准确性

CN119206237B权利要求书1/3页

2

1.一种基于全卷积神经网络的医学图像分割方法，其特征在于，包括：

通过深度学习算法对医学图像进行预处理，增强图像关键特征；

基于全卷积神经网络进行特征提取的过程中，引入注意力机制模块，通过学习图像中不同区域的重要性权重，自适应地调整卷积核的权重分布，提取获得细粒度和有判别力的图像特征；

通过在全卷积神经网络中嵌入的空间金字塔池化模块，进行多尺度特征融合和上下文信息捕捉；

通过多尺度特征融合获得融合后的特征图，将融合后的特征图通过上采样操作，逐步恢复至与原始图像相同的空间尺寸；

基于上采样得到的特征图，通过卷积操作对每个像素进行分类，得到像素级别的分割结果；

引入对抗学习策略，通过构建生成器和判别器网络，将全卷积神经网络的分割结果与真实标注进行对抗训练，获得最终的分割结果；

所述基于上采样得到的特征图，通过卷积操作对每个像素进行分类，得到像素级别的分割结果的过程包括：

采用反卷积操作替代传统的转置卷积操作进行上采样，并学习上采样过程中的卷积核参数；同时引入跳跃连接结构，将浅层网络的高分辨率特征与深层网络的高级语义特征进行融合，获得上采样结果；

然后进行像素级别分类，通过条件随机场模型，建模像素之间的空间关系和类别依赖关系，对全卷积神经网络输出的分割结果进行后处理优化，平滑分割边界，消除孤立的错误分类像素；

构建多尺度特征融合模块，在全卷积神经网络的不同层级提取多尺度的特征图，通过特征融合操作，将不同尺度的特征信息进行整合，获得更加全面和鲁棒的特征表示。

2.根据权利要求1所述的基于全卷积神经网络的医学图像分割方法，其特征在于，通过深度学习算法对医学图像进行预处理，增强图像关键特征的过程包括：

获取医学图像数据，针对图像中复杂的解剖结构和病理特征，采用深度学习算法进行分析和识别；

对医学图像进行预处理，通过直方图均衡化算法调整图像的灰度分布，增强图像的对

比度；

根据图像的特点，采用自适应的对比度调整算法，针对性地增强图像局部区域的对比度，突出病理特征。

3.根据权利要求1所述的基于全卷积神经网络的医学图像分割方法，其特征在于，引入注意力机制模块提取获得细粒度和有判别力的图像特征的过程包括：

构