[发明专利]一种基于加权全卷积神经网络的肺实质CT图像分割方法在审
申请号: | 202010550923.X | 申请日: | 2020-06-16 |
公开(公告)号: | CN111882560A | 公开(公告)日: | 2020-11-03 |
发明(设计)人: | 林岚;吴玉超;吴水才 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G06T7/11 | 分类号: | G06T7/11;G06T7/136;G06T7/155;G06N3/04;G06N3/08 |
代理公司: | 北京思海天达知识产权代理有限公司 11203 | 代理人: | 刘萍 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 加权 卷积 神经网络 实质 ct 图像 分割 方法 | ||
1.一种基于加权全卷积神经网络的肺实质CT图像分割方法,包括以下步骤:
步骤1:选取目标图像数据进行预处理,添加待加权的语义标注类别;
步骤2:基于标准全卷积神经网络网络框架进行设计,以编码-解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理,建立语义分割卷积神经网络的整体结构框架;
步骤3:采用加权损失函数层;
步骤4:训练和测试数据集划分;
步骤5:离线模型训练,获得模型权重参数;
步骤6:将测试集图像输入网络模型,通过网络逐层前馈由输出层输出分割结果。
2.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法,其特征在于,所述步骤1中,对目标数据中特定的具有重要意义的区域进行提取,将提取出的区域作为一类新语义类别与原标签图像进行融合,增加标签图像中的像素语义分类数。
3.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法,其特征在于,所述步骤2中,基于基础结构的全卷积神经网络框架设计改进的网络结构,以编码-解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理,设计出卷积神经网络的整体结构框架,包括标准编码-解码结构、跳跃连接结构、批归一化结构和膨胀卷积结构。
4.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法,其特征在于,所述步骤3中,在交叉熵损失函数中添加权重因子和加权类别号两个参数,损失函数表示为L(xi)=-∑k-1yk-1log fk-1(xi)-λyklog fk(xi),其中参数k为加权类别号,λ为权重因子,yk和yk-1是像素实际标签,fk(xi)和fk-1(xi)是Softmax函数计算出的像素分类概率;设置对k=4的肺实质边界像素语义类乘以λ=10的加权因子。
5.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法,其特征在于,所述步骤4中,对经过预处理的目标数据按照4:1的数量比例进行随机划分,其中80%数据作为训练集,20%数据作为测试集。
6.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法,其特征在于,所述步骤5中,将训练集与测试集数据送入网络,设置基础学习率为1e-10,使用固定学习率不变的模型学习策略,设置模型迭代10万以上,完成一个epoch后保存网络模型参数。
7.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法,其特征在于,所述步骤6中,使用网络模型对测试集数据进行语义分割,获取多分类分割掩膜图像,掩膜图像中的每一类像素用不同颜色表示,设置阈值为10将多分类掩膜图像进行二值化处理,得到黑白二值化的肺实质掩膜,使用肺实质掩膜与原肺部图像进行逻辑或运算,提取肺实质。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010550923.X/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种车轮偏距测量检具
- 下一篇:实体样本获取方法、装置及电子设备