[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

说明书

本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法(leave‑one‑out)训练方法；最后，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，并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势，又提高了图像分割网络的测试速度。

技术领域

本发明属于图像特征提取与分割方法技术领域，特别是针对轻量级全卷积神经网络的医学图像语义分割方法。

背景技术

全卷积神经网络(FCN)已经在图像分割尤其是语义分割领域占据了主导地位，由于其具有可以接受任意大小的输入图像、运算速率高效等特点，并能取得像素级别的图像分割效果。

当前对于全卷积神经网络已经做了大量的实验，自2015年FCN起，产生了一批经典的模型，如UNet及UNet-like等结构，这些模型基于FCN不断的加深网络层数以提高网络的分割精度的。但也因此带来了一系列问题，如网络训练环境需求高，运算速度慢，参数过多等以至于难以将模型落实到实际应用中。

为将深度网络应用到实际中，近几年，学者们轻量级的卷积神经网络做了大量的研究，也因此产生了不少优秀的网络结构，如MobileNet，XceptionNet等，它们巧妙的结果设计，使深度网络在移动设备上的应用成为可能。轻量级网络的诞生，进一步推动了业界对模型压缩算法的关注，如量化权重、结构稀疏化、模型裁剪等。这些模型压缩算法都在一定程度上压缩模型的空间体积使得网络更加的轻量化。其在卷积神经网络中应用广泛，但针对全卷积神经网络的模型裁剪研究应用还是比较少。而全卷积神经网络，比如Unet，在医学图像分割中有着卓越的优势。因此，如果能够针对全卷积网络结构设计一种模型裁剪方法，使得全卷积网络更加的轻量化，那么将使全卷积网络在医学图像分割领域中的进一步应用成为可能。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种通过BN通道裁剪全卷积神经网络以使模型更轻量化的基于轻量级全卷积神经网络的医学图像分割方法。本发明的技术方案如下：

一种基于轻量级全卷积神经网络的医学图像分割方法，其包括以下步骤：

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(leave-one-out)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。

进一步的，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：