基于高分辨率神经网络的甲状腺超声图分割方法
知识产权简介
一种基于高分辨率深度学习模型的甲状腺超声图像分割方法，对数据进行归一化处理，从而减少不同图像之间因场外误差造成的差异，使得后续训练更加的稳定与一致，加快模型的训练速度与性能。对数据进行数据增强，以随机的方式对数据进行拉伸，缩小，旋转，裁剪等，尽可能对图像信息进行榨取，提高模型的泛化能力与准确性。编写训练过程的配置文件。Python 调用命令行开始训练。训练结束后，python 调用命令行对输入进行预测。
转化前景
基于 mmsegmentation 框架搭建的算法模型更便于工程化部署与应用，也方便后续为该方法进行进一步的扩展与优化；对不同尺寸，不同质量， 不同采集设备的图像有更好的泛用性，在超声图像普遍图像质 量差，噪音大的现状下，能更好地保留信息，从而获得更为良 好的分割结果。