[发明专利]一种基于3D激活函数的脑动脉瘤图像分割方法

权利要求书

1.一种基于3D激活函数的脑动脉瘤图像分割方法，包括，其特征在于：

1)构建脑动脉瘤分割数据集，收集脑部MRA影像数据后标注动脉瘤掩膜和背景；

2)将颅脑MRA影像X输入残差卷积模块C₁，利用计算机经残差卷积模块C₁卷积操作处理后经3D激活函数后得到特征输出图C₁(X)；

3)利用计算机将特征输出图C₁(X)进行最大池化操作，压缩特征输出图C₁(X)，得到更新后的特征输出图C₁′(X)；

4)将更新后的特征输出图C₁′(X)输入残差卷积模块C₂，利用计算机经残差卷积模块C₂卷积操作处理后经3D激活函数后得到特征输出图C₂(X)；

5)利用计算机将特征输出图C₂(X)进行最大池化操作，压缩特征输出图C₂(X)，得到更新后的特征输出图C₂′(X)；

6)将更新后的特征输出图C₂′(X)输入残差卷积模块C₃，利用计算机经残差卷积模块C₃卷积操作处理后经3D激活函数后得到特征输出图C₃(X)；

7)利用计算机将特征输出图C₃(X)进行最大池化操作，压缩特征输出图C₃(X)，得到更新后的特征输出图C₃′(X)；

8)将更新后的特征输出图C₃′(X)输入残差卷积模块C₄，利用计算机经残差卷积模块C₄卷积操作处理后经3D激活函数后得到特征输出图C₄(X)；

9)利用计算机将特征输出图C₄(X)进行最大池化操作，压缩特征输出图C₄(X)，得到更新后的特征输出图C₄′(X)；

10)将更新后的特征输出图C₄′(X)输入残差卷积模块C₅，利用计算机经残差卷积模块C₅卷积操作处理后经3D激活函数后得到特征输出图C₅(X)；

11)利用计算机将特征输出图C₅(X)进输入残差卷积模块C₆，利用计算机经残差卷积模块C₆卷积操作处理后经3D激活函数后得到特征输出图C₆(X)；

12)利用计算机将特征输出图C₆(X)输入反卷积模块D₁进行反卷积操作，反卷积模块D₁将特征输出图C₆(X)高维特征往原图掩膜的过渡性计算得到特征图D₁(X)；

13)利用计算机将特征图D₁(X)与经过裁切操作后的压缩特征输出图C₄(X)进行堆叠操作，得到联合特征CF₁(X)；

14)将联合特征CF₁(X)输入残差卷积模块C₇，利用计算机经残差卷积模块C₇卷积操作处理后经3D激活函数后得到特征输出图C₇(X)；

15)利用计算机将特征输出图C₇(X)输入反卷积模块D₂进行反卷积操作，反卷积模块D₂将特征输出图C₇(X)高维特征往原图掩膜的过渡性计算得到特征图D₂(X)；

16)利用计算机将特征图D₂(X)与经过裁切操作后的压缩特征输出图C₃(X)进行堆叠操作，得到联合特征CF₂(X)；

17)将联合特征CF₂(X)输入残差卷积模块C₈，利用计算机经残差卷积模块C₈卷积操作处理后经3D激活函数后得到特征输出图C₈(X)；

18)利用计算机将特征输出图C₈(X)输入反卷积模块D₃进行反卷积操作，反卷积模块D₃将特征输出图C₈(X)高维特征往原图掩膜的过渡性计算得到特征图D₃(X)；

19)利用计算机将特征图D₃(X)与经过裁切操作后的压缩特征输出图C₂(X)进行堆叠操作，得到联合特征CF₃(X)；

20)将联合特征CF₃(X)输入残差卷积模块C₉，利用计算机经残差卷积模块C₉卷积操作处理后经3D激活函数后得到特征输出图C₉(X)；

21)利用计算机将特征输出图C₉(X)输入反卷积模块D₄进行反卷积操作，反卷积模块D₄将特征输出图C₉(X)高维特征往原图掩膜的过渡性计算得到特征图D₄(X)；

22)利用计算机将特征图D₄(X)与经过裁切操作后的压缩特征输出图C₁(X)进行堆叠操作，得到联合特征CF₄(X)；

23)将联合特征CF₄(X)输入残差卷积模块C₁₀，利用计算机经残差卷积模块C₁₀卷积操作处理后经3D激活函数后得到特征输出图C₁₀(X)；

24)利用计算机将特征输出图C₁₀(X)输入残差卷积模块C₁₁，进行卷积操作，得到与输入影响X图像尺寸一致的分割图O(X)；

25)使用交叉熵损失函数计算分割图O(X)与步骤1)中数据标注二者之间的损失，如果损失小于阈值则跳转至步骤27)，如果损失大于阈值在执行步骤26)；

26)使用Adam优化算法优化模型参数，如果模型已经收敛则执行步骤27)，如果模型没有收敛则执行步骤2)；

27)保存模型参数，运行结束；

28)将颅脑MRA影像数据输入到步骤1)至步骤24)中得到的脑动脉瘤识别模型中得到脑动脉瘤分割的结果。