[发明专利]一种轻量多尺度的生物医学图像分割方法

权利要求书

1.一种轻量多尺度的生物医学图像分割方法，其特征在于，包括如下步骤：

1）获取公共的生物医学图像数据集，包括肺部CT、肝脏CT和细胞的电镜图三个数据集，其中每个数据集划分为训练集和测试集，每个数据集中80%的图像作为训练集，20%的图像作为测试集；

2）数据预处理：将生物医学图像训练集采用数据增广方法，即翻转和旋转来增加数据集的样本数量；

3）构建模型：在现有U-Net模型中，将传统卷积替换成金字塔卷积，利用金字塔卷积在编码部分进行特征提取，替换金字塔卷积之后新的模型称为PyConvUNet模型；

4）特征提取：采用金字塔卷积对生物医学图像训练集中的图像进行特征提取，通过金字塔卷积获取到训练集图像中不同尺度的特征信息，接着对提取出来的特征信息进行融合并得到特征图；

5）模型训练：利用PyTorch深度学习框架训练PyConvUNet模型，采用交叉熵损失函数进行模型的参数调整，不断提高模型的分割精度；

6）模型评估：采用MIoU和Dice两种评估指标对PyConvUNet模型在测试集图像上的分割精度进行评估，采用参数量和计算复杂度两种评估指标对PyConvUNet模型自身的体量进行评估，同时再分别与其他表现好的模型进行比较评估。

2.根据权利要求1所述的轻量多尺度的生物医学图像分割方法，其特征在于，步骤3）中所述的金字塔卷积为金字塔卷积算法。