[发明专利]一种基于卷积神经网络的颌骨自动分割方法

权利要求书

1.一种基于卷积神经网络的颌骨自动分割方法，其特征在于，所述颌骨自动分割方法包括步骤：

S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；

S2：对上下颌骨影像数据集的影像数据进行预处理；

S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；

S4：利用所述测试数据集对分割网络模型进行测试；以及，

S5：利用分割网络模型对待分割上下颌骨影像数据进行分割；

所述步骤S3中，搭建卷积神经网络模型包括M层下采样网络层和M-1层上采样网络层，M为大于或等于2的整数；

其中，第N层下采样网络层包括两层叠加的第一卷积层、最大池化层和第二卷积层；其中，N为大于或等于1的整数；第N层下采样网络层的输入对象通过所述两层叠加的第一卷积层输出第一特征图；基于所述第一特征图，通过所述最大池化层与所述第二卷积层特征融合，输出该第N层下采样网络层的特征压缩图以作为第N+1层下采样网络层的输入对象；并且，所述两层叠加的第一卷积层的输入端与输出端通过第一残差连接层连接，以使得该第N层下采样网络层的输入对象传输至每一第一卷积层；

其中，第M-N层上采样网络层包括反卷积层和两层叠加的膨胀卷积层；其中，第M-N层上采样网络层的输入对象通过所述两层叠加的膨胀卷积层输出第二特征图；基于所述第二特征图，通过所述反卷积层输出大小为所述第二特征图两倍的反卷积特征图作为该第M-N层上采样网络层的特征还原图；第N层下采样网络层的第一特征图通过第二残差连接层传输至第M-N层上采样网络层的输入端，以与第M-N-1层上采样网络层的特征还原图进行特征融合作为第M-N层上采样网络层的输入对象；并且，所述两层叠加的膨胀卷积层的输入端与输出端通过第三残差连接层连接，以使得该第M-N层上采样网络层的输入对象传输至每一膨胀卷积层；

其中，所述M-1层上采样网络层各层之间的传播采用基于Dice的损失函数进行误差调节，该损失函数的公式为：

2.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S2中，对影像数据进行预处理包括：对影像数据归一化处理和增强处理，以输出尺寸为512×512×250的影像数据，作为步骤S3中搭建卷积神经网络模型的输入对象。

3.如权利要求1所述的颌骨自动分割方法，其特征在于，所述第一卷积层的卷积核为3×3，所述第二卷积层的卷积核为2×2，所述最大池化层的大小为2×2。

4.如权利要求1所述的颌骨自动分割方法，其特征在于，第N层下采样网络层的特征压缩图与第M-N层上采样网络层的特征还原图的分辨率相同。

5.如权利要求1所述的颌骨自动分割方法，其特征在于，所述膨胀卷积层的卷积核为3×3，所述反卷积层的大小为2×2。

6.如权利要求1所述的颌骨自动分割方法，其特征在于，所述M层下采样网络层各层及所述M-1层上采样网络层各层之后均增加一个BN层。

7.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，搭建的卷积神经网络模型为二维网络模型或三维网络模型。

8.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，当搭建的卷积神经网络模型为二维网络模型时，网络训练的输入数据格式为512×512的图片；当搭建的卷积神经网络模型为三维网络模型时，网络训练的输入数据格式为512×512×16的块。

9.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，网络训练的损失参数为0.001，训练次数大于或等于5万次。

10.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S4中，将测试数据集输入分割网络模型中，以自动分割输入数据获得自动分割结果；将自动分割结果与金标准进行对比，采用Dice和Iou的精度测量方法测量精度，当总精度大于或等于95％时，判断分割网络模型符合金标准，否则调整所述训练数据集并重复步骤S3的网络训练。