【技术实现步骤摘要】
一种基于改进的卷积神经网络的医学图像分割方法
本专利技术属于图像处理领域,涉及基于深度学习领域中卷积神经网络中U-Net网络模型和GoogLeNet中的“Inception”模块概念以及DenseNet中密集连接层的概念,具体涉及应用于医学CT影像中对肺部轮廓分割和眼球血管分割。
技术介绍
图像分割在医学图像处理领域中发挥了十分重要作用,并引起了越来越多研究者的广泛关注。与传统的分割方法相比,基于深度学习的分割算法具有更高的分割精度以及高效的速率并得到了广泛的应用。在医学图像分割方面,全卷积网络比其他深度网络模型具有更好的性能。在全卷积衍生的各种体系结构中,U-Net网络模型是最常用的全卷积网络模型之一,并在医学图像处理领域得到了广泛的应用。它是一种端到端,像素到像素的全卷积网络,并且网络中的分析路径和合成路径对应相同大小的特征图像层之间具有跳跃连接。相对于原U-Net网络模型的架构而言,其本身仅仅包含若干个3×3的标准卷积层,本身网络不够深;其分析路径和合成路径中使用最大池化操作和上池化操作来改变特征图的尺寸,在此过程中可能会存在特征信息丢失,其本身还不足以获得比其他现有深度网络更好的性能。就目前来看,虽然直接在网络中添加更多的卷积层可以扩大参数空间并使得网络更深,但可能导致训练过程中梯度消失和冗余计算。
技术实现思路
针对当前U-Net网络不够深从而不能更好的满足医学图像分割的精度要求,同时加深网络可能导致的梯度消失或冗余计算等问题,本专利技术针对U-Net网络模型进行了改进, ...
【技术保护点】
1.一种基于改进的卷积神经网络的医学图像分割方法,其特征在于,包括以下步骤:/nA、基于标准U-Net网络原有框架来设计深度卷积神经网络,以标准的分析路径和合成路径同时包含跳跃连接的原理,设计出卷积神经网络的整体结构框架;/nB、设计改进的多通道融合模块,在原有谷歌网络的多通道融合模块中加入残差连接和批处理归一化层,该模块将代替原网络中所有的标准3*3卷积层;/nC、设计多通道稠密连接模块,将改进的多通道融合模块用密集连接的方式来组合,并在每个模块之间添加瓶颈层,该模块将应用于网络中第4到6个模块层;/nD、设计下采样模块和上采样模块,采用多通道融合的方式来实现池化层与卷积层的融合操作,下采样模块将应用于改进的卷积神经网络中的分析路径;采用多通道融合的方式来实现池化层与卷积层的融合操作,上采样模块将应用于改进的卷积神经网络中的合成路径;/nE、将改进的卷积神经网络整体架构相接,包括分析路径和合成路径,分析路径包括改进的多通道融合模块、多通道稠密连接模块和下采样模块;合成路径包括改进的多通道融合模块、多通道稠密连接模块和上采样模块;在改进的卷积神经网络的中间,使用一个多通道稠密连接模块, ...
【技术特征摘要】
1.一种基于改进的卷积神经网络的医学图像分割方法,其特征在于,包括以下步骤:
A、基于标准U-Net网络原有框架来设计深度卷积神经网络,以标准的分析路径和合成路径同时包含跳跃连接的原理,设计出卷积神经网络的整体结构框架;
B、设计改进的多通道融合模块,在原有谷歌网络的多通道融合模块中加入残差连接和批处理归一化层,该模块将代替原网络中所有的标准3*3卷积层;
C、设计多通道稠密连接模块,将改进的多通道融合模块用密集连接的方式来组合,并在每个模块之间添加瓶颈层,该模块将应用于网络中第4到6个模块层;
D、设计下采样模块和上采样模块,采用多通道融合的方式来实现池化层与卷积层的融合操作,下采样模块将应用于改进的卷积神经网络中的分析路径;采用多通道融合的方式来实现池化层与卷积层的融合操作,上采样模块将应用于改进的卷积神经网络中的合成路径;
E、将改进的卷积神经网络整体架构相接,包括分析路径和合成路径,分析路径包括改进的多通道融合模块、多通道稠密连接模块和下采样模块;合成路径包括改进的多通道融合模块、多通道稠密连接模块和上采样模块;在改进的卷积神经网络的中间,使用一个多通道稠密连接模块,该模块包含了48个改进的多通道融合模块层;
F、准备要训练的数据集,包括训练集、验证集和测试集;在训练网络前首先对训练数据进行预处理操作,对图像进行去噪和增强;
G、将训练集输送进网络中,通过在验证集上的输出结果来调整学习率和学习率衰减系数,修改训练轮数和批次训练数,防止网络出现过拟合或欠拟合等现象,使网络最终收敛到最好的效果;
H、将测试集数据输入到网络中,得到输出图像数据,使用医学图像的分割标准来对输出的结果进行验证和评估,最终得出结果。
2.根据权利要求1所述的一种基于改进的卷积神经网络的医学图像分割方法,其特征在于,所述步骤A中,基于原有的标准U-Net网络架构,网络模型分为分析路径和合成路径,整体网络呈现一个U字型,在分析路径中图像逐渐收缩通道数增加,在合成路径中图像逐渐扩张通道数减少。
3.根据权利要求1所述的一种基于改进的卷积神经网络的医学图像分割方法,其特征在于,所述步骤B中,基于谷歌网络的多通道融合原理搭建出改进的多通道融合模块,来用于网络中的分析路径和合成路径;该模块作用是通过各个分支中的不同大小卷积核对特征图进行卷积运算,之后将运算结果进行级联来实现图像特征的;其中,残差连接根据输入的特征图来直接学习图像特征;不同于标准的多通道融合模块结构,除了瓶颈层外,每个卷积层后面都跟着一个批处理归一化层,确保避免梯度消失,同时保留更多的卷积层。
4.根据权利要求1所述的一种基于改进的卷积神经网络的医学图像分割方法,其特征在于,所述步骤C,在多通道融合稠密连接模块中,将步骤B中提出的改进的多通道融合模块嵌入到密集连接模块中;多通道融合稠密连接模块作为一种宽泛型的复合型卷积层,通过设置卷积的填充方式,将初始模块的输出与输入保持相同的大小;目的是使该模块适用于密集连接的模块结构,从而使网络变深变宽的同时避免梯度消失或冗余计算;不同于标准的多通道...
【专利技术属性】
技术研发人员:吴成东,张子昂,迟剑宁,
申请(专利权)人:东北大学,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。