[发明专利]一种基于深度学习的免交互式GrabCut舌体分割方法

权利要求书

1.一种基于深度学习的免交互式GrabCut舌体分割方法，其特征在于：包括用于舌整体特征提取的深度卷积神经网络、用于对舌体区域初步检测的感兴趣区域定位网络、用于对感兴趣区域进行深层抽象特征提取的深度卷积神经网络以及用于对舌象进行分割的GrabCut算法；

所述的用于舌整体特征提取的深度卷积神经网络，作为整个网络模型的基础网络，共分为五层，由卷积层、激活层和池化层交替构成的深度结构，隐式地从给定的舌像数据中进行无监督学习，避免了人工进行显式的特征提取；

所述的用于对舌体区域初步检测的感兴趣区域定位网络，即RPN网络，对舌面上不同属性对应的区域进行检测和划分，得到舌体的候选区域；

所述的用于对感兴趣区域进行深层抽象特征提取的深度卷积神经网络，由全连接层组成，对上一阶段得到的舌体的候选区域进行深层特征提取，输入区域在网络中进行层层映射，得到不同的表示形式，提取其抽象特征，从而实现对舌象的深度表示，得到舌体定位的结果；

所述的对舌象进行分割的GrabCut算法，将上述得到的舌体定位框作为输入，从而区分出舌象图的前景和背景，进而在无需人工交互的前提下完成舌体的自动分割。

2.如权利要求1所述的一种基于深度学习的免交互式GrabCut舌体分割方法，其特征在于：所述的用于舌整体特征提取的深度卷积神经网络，共分为五层，卷积神经网络是由卷积层、激活层和池化层交替构成的深度结构；通过卷积操作，使原信息增强并减少噪声；通过池化操作，利用图像局部相关性的原理，对图像进行子抽样，在保留图像有用信息的基础上减少数据的处理量；

网络接受任意尺寸的舌象作为输入，网络结构如下：第一个卷积层Conv1的卷积核个数为96，大小为7×7×3，卷积步长为2，填充值为3；第一个池化层(Pool1)的池化核为7×7×3，池化步长为2，填充值为1；随后进行ReLU激活层1处理；第二个卷积层Conv2有256个卷积核，大小为5×5×96，步长为2，填充值为2；第二池化层Pool2的池化核为7×7×96，步长为2，填充值为1；随后进行ReLU激活层1处理；第三个卷积层Conv3有384个卷积核，大小为3×3×256，填充值为1；随后进行ReLU激活层1处理；第四个卷积层Conv4有384个卷积核，大小为3×3×384，填充值为1；随后进行ReLU激活层1处理；第五个卷积层Conv5有256个卷积核，大小为3×3×384，填充值为1；随后进行ReLU激活层1处理；

经过这五层的特征提取，每张舌象得到256张特征图，作为RPN网络的输入。