【技術實現步驟摘要】
本專利技術涉及圖像處理，尤其涉及基于深度學習獸用超聲圖像處理方法。
技術介紹
1、超聲成像技術因其無創、實時、安全和非侵入性的特點，在醫學和獸醫學領域得到了廣泛應用。
2、特別是在畜牧業中，b超成像技術已成為監測牛孕期狀況的重要手段。然而，傳統的超聲圖像處理手段在處理復雜、模糊的牛孕期b超圖像時，由于牛體內的解剖結構較為復雜，尤其是在孕期，胎兒與母體器官之間的關系更加緊密，增加了圖像解析的難度，因此，基于深度學習的超聲圖像處理方法應運而生，旨在提高牛孕期b超圖像的處理效率和準確性。
3、因此，有必要提供一種新的基于深度學習獸用超聲圖像處理方法解決上述技術問題。
技術實現思路
1、為解決上述技術問題，本專利技術提供基于深度學習獸用超聲圖像處理方法。
2、本專利技術提供的基于深度學習獸用超聲圖像處理方法，包括如下步驟：
3、s1、通過超聲探頭采集原始超聲圖像，對原始超聲圖像進行灰度化、歸一化以及去噪處理，并根據圖像中胎兒的信息進行標注；
4、s2、構建深度學習模型并引入多區域特征融合網絡以及金字塔邊界注意力模塊，通過多區域特征融合網絡對步驟s1中經過去噪處理的圖像進行多區域特征的提取，并通過金字塔邊界注意力模塊對提取到的多區域特征進行邊界信息捕捉，并生成邊界分割圖；
5、s3、根據步驟s2中的圖像特征對步驟s2所構建的模型進行調整，確定損失函數，并對模型進行訓練與優化；
6、s4、采用步驟s3訓練過后的
7、s5、對步驟s4分割后的超聲圖像進行優化；
8、s6、將步驟s5優化后的超聲圖像疊加在步驟s1的原始超聲圖像上進行可視化展示，并得到最終的超聲圖像。
9、優選的，所述步驟s2中構建深度學習模型并對圖像進行處理的過程包括如下步驟：
10、s21、選擇res-unet網絡作為基礎網絡結構，引入金字塔擠壓注意力模塊，以擴大網絡的感受野并建立全局的注意力機制，為實現對胎兒邊界的準確分割引入上下文局部注意力模塊，為提高圖像的分割精度引入邊界融合模塊，從而構建金字塔邊界注意力網絡模型；
11、s22、利用步驟s21中的模型對步驟s1中的原始超聲圖像進行信息提取，生成多個不同區域的圖像，分別為整體圖像、特定器官區域圖、器官周邊區域圖以及分割結果圖，并對整體圖像、特定器官區域圖進行合并，將器官周邊區域圖以及分割結果圖進行合并；
12、s23、將步驟s23中經過特征融合模塊進行初步特征提取后的特征圖送入金字塔邊界注意力網絡模型進行進一步的邊界信息強化；
13、s24、將步驟s24得到的經過金字塔邊界注意力模塊處理后的邊界特征圖送入一個或多個卷積層，并生成更高精度的邊界分割圖。
14、優選的，所述步驟s3中的損失函數為focal?loss和dice?loss的組合混合損失函數。
15、優選的，所述步驟s22中的特征融合模塊包括基本殘差塊、cbam注意力模塊，再次利用基本殘差塊對步驟s21得到的多個圖像進行進一步細化特征，最后進行殘差連接。
16、優選的，所述步驟s3中對模型進行優化處理采用的是adam優化器，并采用余弦退火算法調整學習率。
17、優選的，所述步驟s22中的深度卷積神經網絡具體為resnet18。
18、優選的，所述步驟s5中通過對圖像進行平滑處理、邊緣檢測、形態學操作和邊界優化來進一步優化步驟s4中得到的分割之后的超聲圖像。
19、優選的，所述步驟s23中對金字塔擠壓注意力模塊進行修改的具體過程包括如下步驟：
20、在金字塔擠壓注意力模塊中使用多種尺寸的卷積核；
21、增加額外的通道間交互層，通過seweight?module中的兩個全連接層重新校準通道的重要性；
22、強化全局注意力機制，用于幫助網絡在整個圖像范圍內識別特征，同時保持對超聲圖像局部細節的關注。
23、優選的，所述步驟s23中對上下文局部注意力模塊進行修改的具體過程包括如下步驟：
24、選擇直接將多尺度特征圖與通道注意力向量相乘，避免因歸一化而導致的信息損失；
25、所有不同分辨率的局部注意力特征圖都將被上采樣至統一的56x56像素，并通過block1進行初步整合；
26、利用block2進一步處理這些集成后的特征圖。
27、與相關技術相比較，本專利技術提供的基于深度學習獸用超聲圖像處理方法具有如下有益效果：
28、1、本專利技術提供基于深度學習獸用超聲圖像處理方法，通過構建金字塔邊界注意力模型識別超聲圖像中的特征圖像，并對特征圖像進行分割，對分割后的特征圖像的邊界進行優化，使特征圖像更為清晰明確，便于飼養員準確的得知牛胎兒的健康狀態以及母牛子宮的復原狀態；
29、2、在構建金字塔邊界注意力模型時引入金字塔擠壓注意力模塊以及上下文局部注意力模塊擴大了網絡的感受野，并建立全局的注意力機制，使網絡在對特征識別時可以更為精確對胎兒的圖像進行捕捉；
30、3、通過對多個函數進行混合形成混合損失函數，有效地解決了牛孕期b超圖像中的類別不平衡問題，并提高了模型的分割和分類性能，focal?loss用于調整難易樣本的權重，dice?loss用于提高分割精度，邊界損失函數專注于優化邊界區域的分割效果，從而提高了對超聲圖像處理的魯棒性和精確性。
本文檔來自技高網...【技術保護點】
1.基于深度學習獸用超聲圖像處理方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S2中構建深度學習模型并對圖像進行處理的過程包括如下步驟：
3.根據權利要求2所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S3中的損失函數為Focalloss和Diceloss的組合混合損失函數以及邊界損失函數。
4.根據權利要求3所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S22中的特征融合模塊包括基本殘差塊、CBAM注意力模塊，再次利用基本殘差塊對步驟S21得到的多個圖像進行進一步細化特征，最后進行殘差連接。
5.根據權利要求4所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S3中對模型進行優化處理采用的是Adam優化器，并采用余弦退火算法調整學習率。
6.根據權利要求5所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S22中的深度卷積神經網絡具體為ResNet18。
7.根據權利要求6所述的基于深度學習獸用
8.根據權利要求7所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S23中對金字塔擠壓注意力模塊進行修改的具體過程包括如下步驟：
9.根據權利要求8所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟S23中對上下文局部注意力模塊進行修改的具體過程包括如下步驟：
...【技術特征摘要】
1.基于深度學習獸用超聲圖像處理方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟s2中構建深度學習模型并對圖像進行處理的過程包括如下步驟：
3.根據權利要求2所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟s3中的損失函數為focalloss和diceloss的組合混合損失函數以及邊界損失函數。
4.根據權利要求3所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟s22中的特征融合模塊包括基本殘差塊、cbam注意力模塊，再次利用基本殘差塊對步驟s21得到的多個圖像進行進一步細化特征，最后進行殘差連接。
5.根據權利要求4所述的基于深度學習獸用超聲圖像處理方法，其特征在于，所述步驟s3...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。