System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 内窥镜病灶区域感知的分层多尺度特征归并融合分析方法技术_技高网

内窥镜病灶区域感知的分层多尺度特征归并融合分析方法技术

技术编号:43689653 阅读:2 留言:0更新日期:2024-12-18 21:08
本发明专利技术提供内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,涉及医学影像处理技术领域。方法包括:通过内窥镜设备获取人体内部影像数据(如呼吸道、消化道),采用U型网络架构,以P2T网络为骨干网络提取不同尺度的特征图;通过非均衡信息聚合模块(NBIA)逐级融合相邻层特征;利用多尺度信息聚合模块(MIA)进一步提取并融合多尺度特征;通过多层监督机制生成不同尺度的预测信息,最终完成病灶区域的智能感知与提取。本发明专利技术提高了病灶检出率,优化了多尺度特征的提取与融合,增强了模型的稳定性和训练效果,可有效辅助内窥镜检查中病灶区域的精准识别。

【技术实现步骤摘要】

本专利技术涉及医学影像处理,特别是指内窥镜病灶区域感知的分层多尺度特征归并融合分析方法


技术介绍

1、内窥镜检查是现代医学中广泛应用的一种微创诊断和治疗手段,尤其在人体内部疾病的筛查与治疗中占据重要地位。内窥镜设备通过摄像头获取体内人体内部的实时影像,使医生能够直接观察到患者的内壁状况,从而对潜在的病灶区域进行检测和处理。胃镜和肠镜检查是消化内镜应用中最常见的项目,被广泛用于早期胃癌和结直肠癌的筛查,这两种癌症的早期检测对于患者的预后至关重要。

2、尽管内窥镜技术的广泛应用有效提高了人体内部疾病的检出率,但其结果仍然高度依赖于操作医生的经验和技能。由于内窥镜检查过程中病灶区域的复杂性和影像质量的变化,可能会导致漏检的发生。关键病灶的漏检不仅可能延误诊断,还可能导致病灶区域的癌变,进而严重威胁患者的生命健康。

3、为了解决这一问题,近年来,计算机辅助诊断(cad)技术得到了迅速发展,特别是基于深度学习的算法在医学影像处理中的应用显著提高了疾病检测的准确性。cad技术能够辅助医生在内窥镜检查过程中快速、准确地识别病灶区域,从而降低漏检率。然而,现有的cad系统在处理内窥镜影像时仍然面临多重挑战,包括不同尺度特征的有效提取、多层次信息的融合以及细节信息与语义信息的平衡。

4、传统的卷积神经网络(cnn)在医学影像处理中取得了一定的成就,但其局限性在于难以同时兼顾全局语义信息和局部细节信息。此外,随着内窥镜影像分辨率的提高,如何处理多尺度特征并融合各层次信息成为进一步提高检测精度的关键挑战。


技术实现思路

1、为了解决现有技术中内窥镜影像处理过程中病灶区域漏检率高、多尺度特征难以有效提取与融合、以及细节信息与语义信息难以平衡的技术问题,本专利技术提供了内窥镜病灶区域感知的分层多尺度特征归并融合分析方法。

2、本专利技术提供的技术方案如下:

3、本专利技术提供的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,包括:

4、s1、通过内窥镜设备获取人体内部影像数据,所述数据包括多尺度的影像特征信息;

5、s2、使用u型网络架构,选取p2t网络作为骨干网络进行特征提取,所述p2t网络包括浅层特征和深层特征的特征图;

6、s3、通过非均衡信息聚合模块(nbia)逐级融合相邻层的特征,所述nbia模块对所述深层特征进行上采样,并引导浅层特征的融合,利用全局平均池化(gap)和卷积串联的机制实现通道注意力机制,从而优化融合效果;

7、s4、利用多尺度信息聚合模块(mia)对融合后的特征进行进一步提取和融合,所述mia模块使用不同大小的卷积核进行多尺度特征提取,并通过可训练的权重参数对不同感受野的特征进行融合,同时采用通道注意力机制进行权重重新分配,强化各级特征融合感知;

8、s5、通过多层监督机制对特征进行逐层损失约束,生成不同尺度的预测信息,以实现病灶区域的精确感知和提取,其中每层的损失函数包括加权交联损失(iou损失)和二元交叉熵损失(bec损失),以优化模型在各层级的表现并优化病灶区域预测性能。

9、本专利技术提供的技术方案带来的有益效果至少包括:

10、(1)在本专利技术中,通过采用分层多尺度特征归并融合分析方法,本专利技术能够更加准确地识别内窥镜影像中的病灶区域,有效减少漏检率,特别是在早期癌症筛查中大大提高了检出率,保障患者的及时诊断和治疗;

11、(2)在本专利技术中,利用非均衡信息聚合模块(nbia)和多尺度信息聚合模块(mia),实现了不同层次、不同尺度特征的有效提取和融合,使得网络能够同时兼顾全局语义信息和局部细节信息,提升了模型对复杂病灶区域的感知能力;

12、(3)在本专利技术中,通过多层监督机制和损失函数的优化,本专利技术有效避免了深层网络中的梯度消失问题,并提高了训练过程的稳定性,使得模型在不同层级都能够均衡地优化,从而提升了整体的检测精度和鲁棒性。

本文档来自技高网
...

【技术保护点】

1.内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,包括:

2.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述骨干网络具体包括:

3.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述NBIA具体包括:

4.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述MIA具体包括:

5.根据权利要求4所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述通道注意力机制具体包括:

6.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述损失函数具体包括:

7.根据权利要求6所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述损失函数具体包括:

8.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,包括:

9.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,包括:

10.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,包括:

...

【技术特征摘要】

1.内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,包括:

2.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述骨干网络具体包括:

3.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述nbia具体包括:

4.根据权利要求1所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述mia具体包括:

5.根据权利要求4所述的内窥镜病灶区域感知的分层多尺度特征归并融合分析方法,其特征在于,所述通道注意力机制具体包括:...

【专利技术属性】
技术研发人员:胡珂立陈慧灵王臣祝汉灿吴宗大赵利平冯晟胡剑浩孙源泽黄杰
申请(专利权)人:绍兴文理学院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1