[发明专利]基于轻量级全卷积神经网络的医学图像分割方法

权利要求书

1.一种基于轻量级全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：

步骤1：对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理；

步骤2：针对训练集随机提取patch图，首先设定patch图的宽和高，然后随机地选取像素点作为patch的中心；

步骤3：搭建由左侧收缩路径和右侧扩张路径组成的全卷积神经网络；

步骤4：针对步骤3中搭建好的全卷积神经网络，使用dice_loss计算预测值y和期望值y'的相似度，其中dice_loss的定义如下：

步骤5：结合步骤4中的损失函数，针对图像数量较少的数据集使用留一法进行交叉验证；

步骤6：加载步骤5中得到的预训练网络模型，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道，以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络；最后，加载步骤1中的测试图像数据到该网络中，快速测试完成图像分割。

2.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤1对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理，具体为：首先采用的是对R、G、B分量进行加权平均的算法，其表达式为如下，其中Gray(i,j)表示图像上的像素点，i表示像素点的横坐标，j表示像素点的纵坐标：

Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)

然后采用z-score标准化方法，对上述灰度化后的图像进行标准化并缩放图像数据，表达为：

其中,μ表示的是每一维度像素点自身的均值，σ表示的是每一维度像素点自身的均方差；

接着，对标准化后的图像，在保证能够将直方图分布变成近似均匀分布的前提下，设定一个限制直方图分布的阈值δ以限制性的增强图像对比度，同时，在像素的映射过程中使用双线性插值加快直方图均衡化的速度；然后继续对对比度受限自适应直方图均衡(CLAHE)后的图像V_in的伽玛曲线进行非线性色调编辑，识别图像信号中的前景和背景部分，并增大两者的比例；最后把图片上的像素点值归一化映射到0-1之间。

3.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤2针对训练集随机提取patch图，首先设定patch图的宽和高，然后随机地选取像素点作为patch的中心，具体为：

针对训练集，首先设定patch图的宽、高大小分别为patch_w和patch_h，然后随机地选取像素点作为patch的中心，该像素点的坐标需满足如下条件：

其中，x为横坐标，y为纵坐标，img_w是原图的宽度大小，img_h是原图的高度大小；最后，以该像素点为中心，从原图中截取宽度为patch_w，高度为patch_h的训练图patch，针对测试集，同样先设定patch_w和patch_h，然后判断原图的大小是否和设定的patch图的大小成比例关系，如果没有，则对原图进行像素填充；最后，以输入原图的左上角为起点，按照“从上到下从左到右”原则循环提取patch图。

4.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤3搭建由左侧收缩路径和右侧扩张路径组成的全卷积神经网络架构，具体为：

收缩路径遵循典型的卷积网络模式，每个阶段均由两个3×3卷积模块进行特征提取，步长为2的下采样操作跟在卷积之后，在每次下采样之后，特征图尺寸的大小减少一倍，特征通道的数量增加一倍；在扩展路径中，在卷积模块后使用双线性插值上采样操作，其步长也为2，在每次上采样之后跳跃连接收缩路径每阶段的输出；在最后一层，使用1x1卷积代替全连接层将每个64分量特征向量映射到所需的类数。