【技术实现步骤摘要】
一种网格网络的大脑磁共振图像肿瘤定位方法
本专利技术属于属于数字图像领域，涉及磁共振图像处理方法，具体涉及一种网格网络的大脑磁共振图像肿瘤自动定位方法。
技术介绍
随着计算机视觉技术的不断发展，借助广泛存在的摄像头，很多技术都已经被应用到了大家的日常生活中。虽然目前更广泛存在的是二维图像，但是在一些特定场景，三维图像能带来对现实世界更真实的反映。比如借助核磁共振技术我们能获得生物体内部器官的状态信息，借助RGB-D图像能进一步提升自动驾驶的安全性等等，因此研究高性能的三维视觉模型有着很高的现实意义。核磁共振成像是针对人体内部结构的成像技术，对核磁共振成像的研究具有很高的价值：首先，肿瘤的自动定位可以在一定程度上降低医生的工作负担，在医疗资源紧缺的今天，这项技术的研究可以让更多病人有得到诊断的机会；其次，通过算法对核磁共振图像的检查和医生检查结合，可以降低误判或者是漏判的风险，在肿瘤诊断的过程中如果发生漏判，病人很可能因此错过最佳的治疗时机，后果十分严重。而使用三维图像进行肿瘤的分割定位，由于三维图像的空间信息更丰富，...
【技术保护点】
1.一种网格网络的大脑磁共振图像肿瘤自动定位方法，其特征在于，包括如下步骤：/n步骤1，定义基于残差网络的三维深度卷积神经网络的骨干网络，具体包括如下子步骤：/n1-1，将输入的三维MRI图像数据X：(L,W,H,1)进行步长为2，kernel为[3,3,3]的三维卷积操作，三维卷积的卷积核数量设置为C1，生成数据Y1：(L/2,W/2,H/2,C1)，其中，L，W，H分别为原始图像的长，宽，高；/n1-2，定义一个步长为1，kernel为[3,3,3]的三维卷积SSCNN；/n1-3，将数据Y1：(L/2,W/2,H/2,C1)进行一次SSCNN卷积，卷积核的数量设定为C...
【技术特征摘要】
1.一种网格网络的大脑磁共振图像肿瘤自动定位方法，其特征在于，包括如下步骤：
步骤1，定义基于残差网络的三维深度卷积神经网络的骨干网络，具体包括如下子步骤：
1-1，将输入的三维MRI图像数据X：(L,W,H,1)进行步长为2，kernel为[3,3,3]的三维卷积操作，三维卷积的卷积核数量设置为C1，生成数据Y1：(L/2,W/2,H/2,C1)，其中，L，W，H分别为原始图像的长，宽，高；
1-2，定义一个步长为1，kernel为[3,3,3]的三维卷积SSCNN；
1-3，将数据Y1：(L/2,W/2,H/2,C1)进行一次SSCNN卷积，卷积核的数量设定为C1，生成卷积后的结果Y1_1：(L/2,W/2,H/2,C1)，再进行一次SSCNN卷积，卷积核的数量设定为C1，生成卷积后的结果Y1_2:(L/2,W/2,H/2,C1)，最后将Y1和Y1_2每一个元素相加操作，生成数据Y2：(L/2,W/2,H/2,C1)；
1-4,将数据Y2：(L/2,W/2,H/2,C1)进行一次SSCNN卷积，卷积核的数量必须设定为C1，生成卷积后的结果Y2_1：(L/2,W/2,H/2,C1)，再进行一次SSCNN卷积，卷积核的数量必须设定为C1，生成卷积后的结果Y2_2:(L/2,W/2,H/2,C1),最后将Y2和Y2_2每一个元素相加操作，生成数据Y3：(L/2,W/2,H/2,C1)；
1-5，将数据Y3：(L/2,W/2,H/2,C1)进行步长为2，kernel为[3,3,3]的三维卷积操作，三维卷积的卷积核数量指定为C2,生成数据Y4：(L/4,W/4,H/4,C2)；
1-6，重复步骤1-3，1-4，1-5两次，最后执行一次步骤1-3，1-4得到根据图像提取的特征Y：(L/16,W/16,H/16,C)，其中C为最后重复1-4中的卷积核数量；
步骤2，定义网格肿瘤定位网络，具体包括如下子步骤：
2-1，将骨干网络输出的特征图Y：(L/16,W/16,H/16,C)进行一次SSCNN卷积,卷积核的数量设定为C3，得到数据G1(L/16,W/16,H/16,C3)；
2-2，再将数据G1(L/16,W/16,H/16,C3)进行一次kernel为1×1×1，在长、宽、高上步长...
【专利技术属性】
技术研发人员：舒华忠，王如梦，谢展鹏，伍家松，孔佑勇，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
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。