[发明专利]基于深度学习的医学图像预处理方法

说明书

本文公开了一种基于深度学习的医学图像预处理方法，属于深度学习领域。为了解决卷积神经网络对图像边缘信息提取不足问题，以获取更多的边缘特征信息。本发明采用一种求取图像边缘尺寸的计算方法，并对图片边缘部分进行镜像翻转和拼接操作。进而对结果进行保存操作。将扩增后的图片中输入搭建好的卷积神经网络中，通过人为的调整网络超参数，最终获得性能良好的预测模型。本文提出的基于深度学习的医学图像预处理方法与现有的卷积神经网络中对图片的padding技术共有必要技术特征。本文对对图像边缘进行更多的特征提取，可以提升深度学习对图像边缘部分的训练权重，进一步提高深度学习网络模型预测性能。

技术领域

本发明涉及深度学习领域，具体涉及一种基于深度学习的医学图像预处理方法。

背景技术

目前，深度学习通过训练大量的数据集以获得性能优异的预测模型，以用来满足工作和生活需要。深度学习采用深层的卷积神将网络完成医学图像的分类、检测和分割等任务，将医生从繁重的医学图像分类、检测和分割等任务中解放出来，大大减轻医生的医学图像工作量。同时，一个性能优异的深度学习模型能够具有优异的医学图像分类、检测或者分割等能力，准确的检测出病人是否患有疾病、疾病的种类、位置、肿瘤的大小等信息。

因此，建立一个完善的深度学习模型是十分必要的。但是，由于卷积神经网络固有的局限性，使得深度学习中，对图像的内部预测效果明显好于边缘。卷积神经网络中的卷积、池化操作对图像边缘特征提取明显少于中央区域图像，这使得通过深度学习生成的模型对图像边缘的预测能力弱于小于图像内部。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于深度学习的医学图像预处理方法。

本发明所采用的技术方案是：首先对选取的医学图像选取合适的边缘尺寸,边缘尺寸计算方法如公式一所示。根据选取的边缘进行镜像翻转、拼接处理，从而得到处理后的医学图像。将处理后的数据集输入到编写好的深度学习网络，从而得到模型。

其中，s代表图片边缘需要翻转和拼接的尺寸大小，C_r代表卷积核的大小，r表示膨胀卷积率，S_r代表卷积核平移步长，P代表池化核的大小，S_p代表池化核的大小，m、n分别代表卷积层核池化层的数量，a为整数，跟据实际情况取值，这是为了能够尽可能的使卷积神经网络获取更大的边缘感受视野。

与现有的技术效果相比，本文的有益效果是：在深度学习中，通过对医学图像边缘的扩增，显著的提高了对图像边缘的训练，能够使深度学习网络能够获得更多的边缘特征信息，减小了对边缘计算的误差，提升了深度学习生成的模型准确性，给病人的病情和医生判断减少了误判，有防止模型过拟合的效果。

附图说明

图1为图像数据集处理的方法流程图。

具体实施方式：

下面结合附图对本发明进一步说明。

如图1所示，需要对图片数据集进行遍历，通过边缘镜像翻转和拼接程序，对图像边缘进行扩充。这样做的目的是为了弥补深度学习中的卷积和池化操作对图像内部计算的权重大于边缘，使得模型对于图像边缘的预测精确度不高的问题。卷积神经网络中的Padding操作只能在图像边缘进行补零，无法得到一个准确的边缘信息，而将边缘部分进行翻转和拼接能够是使边缘获得更多的信息，针对不同图像确定不同的镜像宽度是为了获得更大的感受野，以便深度学习能够学习到更多图像边缘的信息，达到防止模型过拟合的效果，提升模型的对医学图像边缘预测的准确率，从而提高对整幅医学图像的预测效果。

上述描述清楚的说明了本发明的技术方案、流程及优势，本领域的技术人员显然理解，本发明不因上述实例而受到限制，上述描述与说明书只是本发明的技术方案及原理并不代表全部，在不背弃本发明精神和内容的前提下，对本发明进行相应算法的改进，都在本发明要求保护的范围内，以特有的形式实现本发明的实验结果，本发明所保护的范围由所附有的权力要求书及等同要件限定。