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）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN116681894B(45)授权公告日2025.07.11

(21)申请号202310707529.6

(22)申请日2023.06.15

(65)同一申请的已公布的文献号申请公布号CN116681894A

(43)申请公布日2023.09.01

(73)专利权人西安电子科技大学

地址710071陕西省西安市雁塔区太白南

路2号

(72)发明人王蓉芳牟钊汕郝红侠缑水平

焦昶哲

(74)专利代理机构西安智大知识产权代理事务

所61215专利代理师季海菊

GO6V10/774(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/0455(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN115984289A,2023.04.18CN116091770A,2023.05.09审查员王永贵

(51)Int.CI.

GO6V10/26(2022.01)权利要求书6页说明书14页附图3页

(54)发明名称

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

(57)摘要

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，其方法通过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；在编码器网络中加入大核深度卷积，将局部信息和全局信息相结合；构建相邻层特征融合模块，使得模型充分利用不同层特征之间的信息；构建大核GRN通道响应模块，对相邻层特征融合的特征进行长距离依赖性建模，在特征通道数增加的情况下，大核GRN通道响应模块则对融合特征的通道进行全局响应归一化，以此对通道进行对比和选择，利用融合后的特征，提高整个模型的分割性能；其系统、设备及介质能够基于所述分割方法，对器官影像进行分割；具

CN116681894B

划分数据集

划分数据集

数据集预处理

数据采样

数据增强

搭建多器官分割网络

训练多器官分割网络

根据评价指标得到最终模型评价结果

CN116681894B权利要求书1/6页

2

1.一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其特征在于，对数据集包含标签的样本进行数据集划分、预处理数据、数据采样和数据增强后，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，构建相邻层特征融合模块，使得模型充分利用不同层特征之间的信息，得到更多细节的低层特征和更多语义的高层特征；构建大核GRN通道响应模块，对相邻层特征融合的特征进行长距离依赖性建模，在特征通道数增加的情况下，大核GRN通道响应模块则对融合特征的通道进行全局响应归一化，以此对通道进行对比和选择，利用融合后的特征，提高整个模型的分割性能；

所述构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型包括：构建编码器网络、解码器的基础网络、相邻层特征融合模块和大核GRN通道响应模块；在编码器网络中加入大核深度卷积，大核深度卷积与3×3卷积相结合，将局部信息和全局信息相结合。

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，其特征在于，具体包括以下步骤：

S1、数据集划分

对影像数据集中包含标签的样本，随机划分为训练集和测试集；

S2、数据预处理

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异、方便计算和比较影像中的特征：将3D的CT数据重新采样到相同的分辨率，其中图像样本采样使用双线性插值，标签样本使用临近插值；

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度，公式如下：

其中，R表示归一化处理后的CT数据，R∈RHr×Wr×Zr,Wr和Hr表示CT数据经过归一化处理后分辨率的宽高，Zr表示切片数量，I表示归一化处理前的CT值，max(I)为最大CT值，min(I)为最小CT值；

以目标切片为中心并堆叠上下切片作为网络输入：首先在经过归一化处理