[发明专利]基于U-net模型的舌体自动分割方法

权利要求书

1.基于U-net模型的舌体自动分割方法，其特征在于：包括以下步骤：

步骤1、舌像图像手动分割单元利用LabelMe软件对原图像进行手动分割，输出手动分割图像到数据输入单元，

步骤2、图像预处理单元导入并预处理原图像和手动分割图像后，输出至模型分割单元进行自动分割训练，观察分割结果及其计算效果评价指标，并进行模型优化。

2.根据权利要求1所述的基于U-net模型的舌体自动分割方法，其特征在于：

还包括步骤3：

重复步骤2，观察分割结果及其计算效果评价指标并将其与步骤2所得数据结果进行比较分析。

3.根据权利要求2所述的基于U-net模型的舌体自动分割方法，其特征在于：

步骤2包括：

(2.1)、预处理：图像预处理单元将原图像与手动分割图像均进行图像增强，使其达到高度一致，得到预处理图像；

(2.2)、预处理图像将预处理图像输出至模型分割单元，进行分割处理得到自动分割的图像以及评价指标；

(2.3)、自动分割的图像和评价指标输出至分割效果显示单元，判断分割效果。

4.根据权利要求3所述的基于U-net模型的舌体自动分割方法，其特征在于：

步骤(2.2)包括：

(2.2.1)、模型共分为九层；前四层用于从图像中提取特征，输入图像逐层减小；后四层对图像特征进行升采样，逐层还原图像大小；具体计算方法如下：

(2.2.1.1)、由于卷积操作在每一层上都是相同的，每次卷积后图像大小都不会改变，因此需要使用0填充原始图像；边界0填充数：

其中P为0填充数，O为输出尺寸，S为步长，F为卷积核，I为输入尺寸；

(2.2.1.2)、根据(2.2.1.1)进行0填充后，执行卷积运算：

其中为卷积核，b^nl∈R^kn×1为偏差值，nl表示层数，nl＝1,…,9，n表示每层中第n个卷积；为填充后所得图像，ls表示输入大小，z₃表示输入的第z₃个通道；l＝1,…,kn，kn表示卷积核数量；i、j表示输入矩阵中像素点的横纵坐标，1≤i≤ls-z₁+1；1≤j≤ls-z₂+1，其中z₁、z₂表示卷积核的横纵坐标；

(2.2.1.3)、根据(2.2.1.2)进行卷积运算后，运用relu激活函数使得计算成为非线性，其计算方式为：

其中，为卷积输出；

(2.2.1.4)、使用最大池化操作对积特征图进行下采样：

其中而nl＝1,…,4；获得最大池化后，对图像进行向下采样；

(2.2.1.5)、向下采样后进行向上采样，使用2×2的反卷积核，且不进行0填充，计算卷积核步长：

其中O＝2×I，I为输入特征图像尺寸且K＝2；

(2.2.1.6)、根据(2.2.1.5)得到卷积核步长后，进行向上卷积运算：

D^nl[l]＝D^nl[l]+b^nl[l]

其中nl＝5,…,8，DF^nl是反卷积内核，而D^nl∈R^2ls×2ls；

经过整个网络之后输出Output[l]∈R^512×512，其中l＝1,2；

(2.2.1.7)、对于模型进行训练时，需获取最佳参数以优化U-net模型，其最小化损耗函数获得方式：

其中S_i,j是预测结果的在位置i，j处像素的分类值，y_i,j是真实标签的位置i，j处像素的分类值，Output_i，j[l]代表第l层的Output矩阵中第i行、第j列的值；使用降梯度法对参数进行微调：

其中α是学习率；

步骤2.2.1.7中的S即为最终分割结果，S_i,j为S中每一个元素的值，S中的元素值非0即1；

(2.2.2)、分割指标计算部件42将对于分割效果的评价指标进行计算，采用准确性(acc)和平均交并比(mIoU)来作为评价分割效果的标准：

其中TP_i表示在第i个图像中正确预测的正例的像素数，TN_i表示在第i个图像中正确预测的负例的像素数，FP_i表示在第i个图像中预测错误的正例的像素数，FN_i表示在第i个图像中误判了负示例的像素数，N是图像数；acc表示正确分割的像素数与总像素数之比；平均交并比表示真实值与预测值的交并集之比。