[发明专利]处理肠图像的方法

权利要求书

1.一种处理肠图像的方法，其特征在于，所述方法包括：

1)提供肠图像；

2)利用神经网络结构处理得到初步提议息肉分割数据，所述神经网络结构包括卷积计算和反卷积计算，所述神经网络结构包括卷积神经网络，其中所述卷积神经网络的最后一个完全连接层变换为卷积层，然后将上采样或反卷积层添加到转换后的卷积神经网络来实现完全卷积神经网络；

3)通过息肉边界纹理补丁图像和/或非息肉边界纹理补丁图像进一步筛选出所期望的息肉分割数据，

其中所述的息肉边界纹理补丁图像和/或非息肉边界纹理补丁图像的处理包括：提供补丁图像，利用滤波器和卷积运算生成特征向量并聚类生成纹理文本存储于纹理字典，用纹理直方图表示补丁图像，将直方图馈入随机阵列分类器进行补丁分类得到息肉分割数据。

2.如权利要求1所述的处理肠图像的方法，其特征在于，在所述步骤1)中，所述肠图像是三维图像；在所述步骤2)中，所述神经网络结构还包括递归计算，位于所述卷积计算之后、反卷积计算之前，所述卷积计算的输出被转换成一维矢量输入到所述递归计算。

3.如权利要求1所述的处理肠图像的方法，其特征在于，所述滤波器采用二维Gabor滤波器。

4.如权利要求1所述的处理肠图像的方法，其特征在于，所述聚类采用k均值聚类算法。

5.如权利要求1所述的处理肠图像的方法，其特征在于，所述的用纹理直方图表示补丁图像包括：基于纹理和像素处的滤波器响应之间的最小距离，将补丁图像中的每个像素分配给一个来自所述纹理字典的文本标签，生成文本标签映射，从而实现用纹理直方图表示补丁图像。

6.如权利要求1所述的处理肠图像的方法，其特征在于，所述卷积计算和反卷积计算基于完全卷积神经网络。

7.如权利要求6所述的处理肠图像的方法，其特征在于，所述方法还包括：提供训练用息肉边界纹理补丁图像和/或训练用非息肉边界纹理补丁图像训练所述卷积神经网络。

8.如权利要求6所述的处理肠图像的方法，其特征在于，所述卷积神经网络采用FCN-8s完全卷积神经网络。