[发明专利]基于三维卷积的缺血性脑卒中分割系统

权利要求书

1.一种基于三维卷积的缺血性脑卒中分割系统，所述方法包括：

(1)对样本库的缺血性脑卒中图片样本，进行预处理，得到训练样本和验证样本；

(2)利用(1)中得到的训练样本，依批次输入如图1的设计的神经网络，进行训练；采用以交叉熵为损失函数带动量的随机梯度下降法训练网络；得到训练好的网络；

(3)采用随机连接的方式构建(2)中网络，并再按照(2)中步骤训练，得到最优模型；

(4)对测试图片按照(1)中的预处理方法，得到处理后的测试图片；

(5)利用(3)中训练好的网络，预测(4)中处理后的预测图片，再对预测图片后处理，完成对测试图片的分割。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：

(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行翻转，随机下采样，形变，以及改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是100×100×100；

(12)对(11)中训练样本和验证样本图片对应的标签图片，使用(11)中一样的旋转，翻转，同样的下采样，形变，保证标签样本与训练样本或验证样本对应，得到数据增强后的标签样本，样本大小是100×100×100；

(13)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：

(21)首先构建一个如图(1)的3D分割网络；图像数据依次进入三个残差模块和下采样，提出去特征；再由一个残差模块整合特征，之后分别输入四个不同膨胀系数的膨胀卷积模块；其中膨胀系数分别是2，4，6，10；之后在一个残差模块特征融合之后；依次进入三个残差模块和上采样得到最终的分割概率图；整个网络输出一个维度是100×100×100×2概率特征图；

图(1)中的残差模块由两个如图(2)的卷积模块组成，图(2)中卷积模块是由一个卷积核是3×3的卷积层，加上指数线性单元(ELU)，加上一个卷积核是1×1的卷积层，加上指数线性单元(ELU)，再加上一个卷积核是3×3的卷积层，加上指数线性单元(ELU)和一个卷积核是1×1的卷积层，加上指数线性单元(ELU)的快捷连接的加和得到输出；

图(1)中的膨胀卷积模块是由一个卷积核是3×3的卷积层，加上一个指数线性单元；再连接一个卷积核是3×3，带有膨胀系数的卷积层，再加上一个一个指数线性单元，之后连接一个卷积核是1×1数的卷积层，再加上一个一个指数线性单元；

(22)使用(21)中构建的网络训练(13)中得到的训练样本；使用交叉熵损失函数作为目标函数，其中损失函数如下：

为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：

得到训练结果，以(13)的验证样本的准确度为标准，得到最优的网络。

4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中具体包括：

(31)在(21)的构建的网络的基础上，按照图(1)的3D分割网络上所给出尝试性连接线，连接其中一条线；得到新的网络；按照(22)的相同的步骤训练网络，得到的结果和(22)的网络结果进行对比，以验证集的准确度为标准，选出最优的网络；

(32)在(31)中得到当前最优的模型上连接与之前未尝试的连接线；训练之后当前最优的模型对比；根据验证集的准确度为标准，选出最优的网络；之后重复(32)步骤知道所有尝试性连接线都尝试；最终得到最优的模型。

5.根据权利要求1所述的方法，其特征在于，所述步骤(4)中具体包括：

(41)对测试样本进行以步长为50宽度为100滑窗采样测试样本，样本大小是100×100×100，将样本按照(13)的归一化方法归一化。

6.根据权利要求1所述的方法，其特征在于，所述步骤(5)中具体包括：

(51)将(41)中得到的预测标签图先进行填充操作，然后再删除小连通域；排除噪声。