[发明专利]一种基于双通路U型卷积神经网络的医学图像分割方法

权利要求书

1.一种基于双通路U型卷积神经网络的医学图像分割方法，其特征在于，包括以下步骤：

S1、对待分割的功能磁共振图像数据进行预处理，得到训练集数据和测试集数据；

S2、构建双通路U型卷积神经网络；

S3、将训练集数据输入双通路U型卷积神经网络进行训练，得到学习后的卷积神经网络模型；

S4、将测试集数据输入学习后的卷积神经网络模型，输出图像分割结果；

所述步骤S2包括以下分步骤：

S21、构建双通道BO模块；

S22、根据双通道BO模块构建双通路U型卷积神经网络；

所述双通路U型卷积神经网络包括左侧单元和右侧单元；

所述左侧单元包括N个双通道BO模块，N≥2，所述左侧单元中，每相邻两个双通道BO模块之间进行池化操作；

所述右侧单元包括N个双通道BO模块，所述右侧单元中，每相邻两个双通道BO模块之间进行上采样操作；

所述左侧单元中的双通道BO模块和右侧单元中的双通道BO模块一一对应且相互之间进行堆叠重用特征操作；

所述双通道BO模块包括Sum通道和Dense通道，所述Sum通道用于实现D1数据和C1数据的特征值相加，所述Dense通道用于实现D2数据和C2数据的堆叠；

所述D1数据和D2数据的获取方法为：将原始特征图数据通过BN、激活函数以及卷积操作后，再按通道将其分为两个部分，即为D1数据和D2数据；

所述C1数据和C2数据的获取方法为：将D1数据和D2数据合成为新的特征图数据，再通过BN、激活函数、卷积以及dropout处理后，按通道将其分为两个部分，即为C1数据和C2数据；

所述dropout处理表示按照设定概率随机将神经网络单元从网络中暂时丢弃，以防止过拟合的操作。

2.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤S1包括以下分步骤：

S11、对待分割的功能磁共振图像数据进行格式转换；

S12、对格式转换后的图像进行归一化处理，将其归一化到[0,1]区间；

S13、将归一化后的图像按比例分为训练集数据和测试集数据；

S14、对训练集数据进行数据增强。

3.根据权利要求2所述的医学图像分割方法，其特征在于，所述步骤S14中进行数据增强的方法包括：

尺度变换：对图像按照指定的尺度因子进行放大或缩小，或者参照SIFT特征提取思想，利用指定的尺度因子对图像滤波构造尺度空间，改变图像内容的大小或模糊程度；

平移变换：在图像平面上对图像进行平移；

旋转变换：沿着水平或者垂直方向翻转图像；

缩放变换：按照设定比例放大或者缩小图像。

4.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤S3包括以下分步骤：

S31、将训练集数据分为m批，并初始化卷积核权重和偏值对损失函数导数为0，即：

ΔW^(l)＝0 (1)

Δb^(l)＝0 (2)

其中ΔW^(l)表示第l层卷积层/解卷积层中的卷积核权重对损失函数的导数，Δb^(l)表示第l层卷积层/解卷积层中的卷积核偏值对损失函数的导数；

S32、随机选择一批未被训练的训练集数据输入双通路U型卷积神经网络；

S33、将训练集数据与双通路U型卷积神经网络中后续网络单元各个节点参数进行计算，实现网络训练的前向传播，输出预测概率图；

S34、计算预测概率图与训练集数据中正样本之间的误差，计算公式为：

其中L表示预测概率图与训练集数据中正样本之间的误差，M表示训练集数据中正样本数量，所述正样本为以块为单位对训练集数据进行特征提取后的人工标记区域；x表示神经网络中的网络单元数量，y表示训练集数据中的正样本数据，a表示预测概率图数据，且

a＝W^(l)*x+b^(l) (4)

S35、采用梯度下降法分别计算卷积核权重和偏值对误差函数L的偏导数和并将其累加到ΔW^(l)和Δb^(l)，对ΔW^(l)和Δb^(l)进行更新，更新公式为：

其中ΔW^(l)′和Δb^(l)′分别表示更新前卷积核权重和偏值对损失函数的导数；

S36、判断是否已将所有训练集数据输入双通路U型卷积神经网络进行训练，若是则完成一次迭代，进入步骤S37，否则返回步骤S32；

S37、根据ΔW^(l)和Δb^(l)，采用批量梯度下降算法对卷积核权重W^(l)和偏值b^(l)进行更新，更新公式为：

其中W^(l)′和b^(l)′分别表示更新前的卷积核权重和偏值，m表示训练集数据的批数，α为学习率，λ为动能；

S38、判断当前迭代次数是否达到预先设定的迭代次数阈值，若是则进入步骤S39，否则返回步骤S32进行下一次迭代；

S39、输出学习后的卷积神经网络模型，进入步骤S4。