【技术实现步骤摘要】
可训练的压缩感知模块及一种图像分割方法
本专利技术涉及图像处理
，具体涉及一种可训练的压缩感知模块及一种图像分割方法。
技术介绍
近50年来，肺癌成为了全球最常见的恶性肿瘤，不仅病发率高，居恶性肿瘤榜首，且死亡率也位列第一。据统计，肺肿瘤的发病率已居男性各种肿瘤的首位。PET(正电子发射断层显像)能从分子和细胞的水平来检测生物组织新陈代谢的活动进程和特征，对于代谢旺盛的组织(例如肿瘤、心脏、肝脏)，在PET图像上具有较高的亮度。因此PET图像广泛用于临床肺肿瘤诊断。精确自动分割可以给医生的诊断提供重要的辅助作用。目前肺肿瘤的分割方法可以分为基于非学习的方法和基于学习的方法。基于非学习的方法通常依赖于强度统计分布。然而基于非学习的分割方法应对肿瘤形状的变化性的能力有限。近年来，卷积神经网络已经迅速证明是处理各种医学图像的最先进的工具。UNet以及基于UNet的改进网络在医学图像像素级分割任务上表现优异。但是，当分割目标与周围组织结构的亮度非常相似时，卷积神经网络的分割效果很差。由于PET图像中的肺肿瘤亮度很高，其...
【技术保护点】
1.一种可训练的压缩感知模块，其特征在于，包括以下步骤：/n获取压缩感应模块的三维矩阵输入
【技术特征摘要】
1.一种可训练的压缩感知模块，其特征在于，包括以下步骤：
获取压缩感应模块的三维矩阵输入所述压缩感应模块的输入来自前一层卷积层的输出,其中，H是特征图的高度，W是特征图的宽度，C是特征图的通道数；
将所述压缩感知模块的三维矩阵输入做二维矩阵形变，获得形变后的二维矩阵其中N＝H×W是每一张特征图上的像素的总数；
利用奇异值分解算法将二维矩阵分解为X＝U∑VT，其中，是左奇异正交向量矩阵，是右奇异正交向量矩阵，是奇异值矩阵；
设定权重矩阵所述权重矩阵的对角线上的元素是可训练更新的，对角线之外的元素值为零，获得新的Y矩阵利用设定的权重矩阵对∑的奇异值做挑选以实现对二维矩形X＝U∑VT的信息压缩，去除冗余特征并且增强有效信息。
2.一种图像分割方法，所述图像分割方法基于稀疏特征图重组全卷积网络，其特征在于，包括权利要求1所述的可训练的压缩感知模块，包括以下步骤：
构建具有所述可训练的压缩感应模块网络模型；
获取患有非小细胞肺肿瘤的三维PET图像训练数据集，将所述训练数据集带入网络模型以训练网络，获得训练后的网络。
3.如权利要求2所述的图像分割方法，其特征在于，构建具有所述可训练的压缩感应模块网络模型，具体包括：
利用全卷积网络作为网络模型的基础框架，其中，所述全卷积网络包括三个卷积层、三个可训练压缩感知模块、三次下采样和三次上采样，所述全卷积网络的每一个卷积层包括归一化、卷积和激活函数。
4.如权利要求3所述的图像分割方法，其特征在于，还包括深层监督机制，所述深层监督机制具体包括以下步骤：
在所述可训练压缩感应模块后面皆添加有辅助支路，所述辅助支路使用反卷积来放大一些较低级别的和中等级别的特征向量；
利用softmax激活函数对得到的同等大小完整尺寸的特征向量计算，获得额外的密集预测图；
对于所述辅助支路的预测图以及相应的人工手动标注图，利用交叉熵代价函数计算预测图以及相应的人工手动标注图之间的分割误差；
将所有所述辅助支路的交叉熵损失和最后一层的交叉熵损失结合，以激励梯度反向传播并在每次迭代中...
【专利技术属性】
技术研发人员：向德辉，田海鸿，陈新建，
申请(专利权)人：苏州大学，
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。