[发明专利]一种基于卷积神经网络的三维颗粒类别检测方法及系统

权利要求书

1.一种基于卷积神经网络的三维颗粒类别检测方法，其特征在于，包括：

步骤1、构建包括混合尺度的三维扩张卷积层、稠密连接和损失函数的三维混合尺度密集卷积神经网络，用已标注颗粒坐标的三维冷冻电子断层图像训练该卷积神经网络，得到颗粒挑选模型，用已标注颗粒类别的三维冷冻电子断层图像训练该卷积神经网络，得到颗粒分类模型；

步骤2、通过滑动窗口采集三维冷冻电子断层图像，得到待检测三维重构的子区域，通过该颗粒挑选模型对每个该子区域进行预测，合并子区域的预测结果得到该三维冷冻电子断层图像中各颗粒的坐标；

步骤3、根据各颗粒的坐标，提取颗粒的三维图像，将每个颗粒的三维图像输入至该颗粒分类模型，得到各颗粒的所属类别；

其中该步骤2中还包括对合并子区域的预测结果中寻找所有的三维连通分量的中心点，作为初始颗粒坐标，将初始颗粒坐标作为种子点，采用均值漂移方法对分割结果进行聚类，每个子类表示一个三维颗粒。

2.如权利要求1所述的基于卷积神经网络的三维颗粒类别检测方法，其特征在于，该三维混合尺度密集卷积神经网络包括6层三维扩张卷积层，扩张率∈[1,3]。

3.如权利要求1所述的基于卷积神经网络的三维颗粒类别检测方法，其特征在于，该步骤1包括：

步骤11、基于下式构建三维扩张卷积层，对于C个通道的输入I，经过扩张率为s的三维扩张卷积输出单一通道特征图O：

其中(x,y,z)遍历输入三维冷冻电子断层图像的每个位置，卷积核w包含3³×C个训练参数，s为扩张率，m、n、p分别为该单一通道特征图O的长、宽、高；

步骤12、通过对该三维扩张卷积层添加混合尺度，得到该混合尺度的三维扩张卷积层，该混合尺度的三维扩张卷积层具体包括：

三维扩张卷积层中第i层第j通道的扩张率为s_ij＝(i+j)mod 16，Z_i-1表示层i-1的输出特征图，对每个输入通道k使用不同的卷积核进行三维扩张卷积，层i通道j输出的特征图

其中表示层i的通道j图像的每个像素增加一个恒定偏置,σ为激活函数；

步骤13、将该混合尺度的三维扩张卷积层的多尺度特征图{X,Z₁,…,Z_i-1}稠密连接在一起计算层i的通道j的输出特征图

步骤14、所有特征图的所有通道进行线性组合，应用激活函数σ′得到该三维混合尺度密集卷积神经网络最终的输出图像y，输出图像y的k通道：

其中b′_k是输出图像y的k通道的恒定偏置，最后一层的激活函数σ′采用了soft-max函数,w_ijk是在k通道的权重；

步骤15、长宽高分别为m_i,n_i,p_i的三维冷冻电子断层图像X_i(i＝1,2,…,N)及对应的真实标注Y_i，该三维混合尺度密集卷积神经网络的损失函数为负对数似然损失NLL函数:

其中F(·):F(X_i；Θ)^j,k,l是一个C维概率向量，表示体素X_i^j,k,l被预测为各类的概率，Θ＝{(w₁,b₁),(w₂,b₂),…,(w_n,b_n)}表示训练参数，通过最小化F(X)和Y之间的NLL得到该训练参数。