[发明专利]一种于改进SegNet分割网络的淋巴结检测方法

权利要求书

1.一种基于改进SegNet分割网络的淋巴结检测方法，其特征在于，该方法包括以下步骤：

S1.将淋巴结图像数据集划分为训练集和测试集；

S2.构建基于空洞卷积操作的SegNet分割网络；

S3.使用训练集训练所述SegNet分割网络，以正余弦交叉熵损失函数最小化为网络优化目标函数，优化所述SegNet分割网络；

S4.使用训练好的SegNet分割网络，对待识别淋巴图像中的淋巴结进行识别和分割，

所述基于空洞卷积操作的SegNet分割网络，包括特征提取模块和淋巴结分割模块；

所述特征提取模块由5个编码单元串联组成，每个编码单元由2*空洞卷积层、1*组归一化层、1*线性修正单元层和1*下采样层串联组成；所述淋巴结分割模块由5个解码单元和1个Softmax层串联组成，每个解码单元由1*上采样层、2*空洞卷积层、1*组归一化层和1*线性修正单元层串联组成；

正余弦交叉熵损失函数公式表示如下：

L_cs＝-γ(cos(p)-αsin(p))log(p)

其中，γ和α均为超参数，p为分割网络对所训练图像像素点的预测概率。

2.如权利要求1所述的淋巴结检测方法，其特征在于，所述特征提取模块用于提取淋巴结的多层特征图，输入是淋巴结图像，输出是一系列特征图；

所述淋巴结分割模块用于根据特征提取模块提取到的特征，逐层对淋巴结进行识别和分割，输入是来自特征提取模块中所提取到的一系列特征图，输出是对每一个像素点的概率经过阈值化后的二值图像，其和原始淋巴结图像大小相同。

3.如权利要求1所述的淋巴结检测方法，其特征在于，所述空洞卷积层用于提取淋巴结图像特征，空洞卷积操作公式如下：

其中，x为输入的淋巴结图像，w为空洞卷积核，r为空洞卷积的扩张率，k为卷积核中心移动的范围，i为像素点的位置，y为输出的特征图。

4.如权利要求1所述的淋巴结检测方法，其特征在于，组归一化操作公式如下：

其中，x^(k)为第k个空洞卷积层输入的特征图的值，E为输入的特征图中所有特征值的期望，为所有输入特征值的方差，为经过归一化后特征值。

5.如权利要求1所述的淋巴结检测方法，其特征在于，线性修正单元操作公式如下：

对输入的特征值进行线性修正，当输入的特征值大于0时，输出特征值不变，当输入的特征值小于0时，输出特征值为0。

6.如权利要求1所述的淋巴结检测方法，其特征在于，所述淋巴结分割模块中Softmax层的操作公式如下：

其中，z_i为线性修正单元层的输出特征图中位置i的像素点的值，Softmax(z_i)为原始淋巴结图像上像素点z_i是淋巴结的概率。

7.如权利要求1所述的淋巴结检测方法，其特征在于，所述淋巴结检测方法还包括步骤S5.采用马尔科夫随机场，对淋巴结分割结果进行后处理。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的淋巴结检测方法。