[发明专利]基于金字塔架构与由粗到精策略的血管分割方法及装置

权利要求书

1.一种基于金字塔架构与由粗到精策略的血管分割方法，其特征在于，包括：

建立PC-Net深度卷积神经模型，其中，所述PC-Net深度卷积神经模型包括：CB+PSE模块以及CF模块，所述CB+PSE模块包括一个卷积块和其跟随的金字塔SE模块，所述CF模块对所述CB+PSE模块得到的采样特征图卷积和BN操作，模型输入通过所述CB+PSE模块和所述CF模块处理后得到输出层；

获取待分割数据，将所述待分割数据输入所述PC-Net深度卷积神经模型，得到血管分割结果。

2.根据权利要求1所述的方法，其特征在于，

所述CB+PSE模块包括：第一CB+PSE模块至第七CB+PSE模块；每个所述卷积块包括第一3×3卷积层、概率为预设值的Dropout层以及第二3×3卷积层；

所述输出层包括：第一输出层、第二输出层和第三输出层；

模型输入接收48×48大小的图像块，所述模型输入分别连接第一CB+PSE模块和第三CB+PSE模块，所述第一CB+PSE模块连接第二CB+PSE模块，所述第二CB+PSE模块连接所述第一输出层，所述第一输出层输出48×48大小的图像块，所述第三CB+PSE模块分别连接第四CB+PSE模块和第五CB+PSE模块，所述第四CB+PSE模块连接第六CB+PSE模块，所述第六CB+PSE模块连接第七CB+PSE模块，所述第七CB+PSE模块连接所述第二输出层，所述第二输出层输出24×24大小的图像块，所述第五CB+PSE模块连接所述第三输出层，所述第三输出层输出12×12大小的图像块；

所述输出层还包括：输出模块，所述输出模块包含级联层，3×3的卷积层和BN层，所述第一输出层、所述第二输出层和所述第三输出层的特征，通过所述输出模块的处理得到最终输出；

所述CF模块包括：第一CF模块至第四CF模块，所述第一CF模块对所述第一CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第三CB+PSE模块，所述第二CF模块对所述第二CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第三CB+PSE模块，所述第三CF模块对所述第四CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第六CB+PSE模块，所述第四CF模块对所述第五CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第六CB+PSE模块。

3.根据权利要求2所述的方法，其特征在于，对得到的采样特征图进行3×3的卷积和BN操作之后，还包括：

模型编码层的特征即局部特征与降维后的全局信息进行减法，得到残差特征图，残差特征图中正概率表示模型池化过程中丢失的细节信息，负概率表示下层模型学到的全局信息，将该残差特征与原始特征进行级联。

4.根据权利要求2所述的方法，其特征在于，所述预设值为20％。

5.根据权利要求2所述的方法，其特征在于，每个输出层包括1×1的卷积层以及Sigmoid函数。

6.一种基于金字塔架构与由粗到精策略的血管分割装置，其特征在于，包括：

建立模块，用于建立PC-Net深度卷积神经模型，其中，所述PC-Net深度卷积神经模型包括：CB+PSE模块以及CF模块，所述CB+PSE模块包括一个卷积块和其跟随的金字塔SE模块，所述CF模块对所述CB+PSE模块得到的采样特征图卷积和BN操作，模型输入通过所述CB+PSE模块和所述CF模块处理后得到输出层；

分割模块，用于获取待分割数据，将所述待分割数据输入所述PC-Net深度卷积神经模型，得到血管分割结果。