一种基于金字塔空洞卷积网络的语义分割方法技术

本发明专利技术公开了一种基于金字塔空洞卷积网络的语义分割方法，包括以下步骤：获取包含真实分割结果的医疗图像数据集，对该数据集进行数据增强等预处理操作；将预处理图像通过残差递归卷积模块、池化层得到浅层图像特征；通过由金字塔池化模块和空洞卷积模块并联的网络得到深层图像特征；通过反卷积层、跳跃连接和残差递归卷积模块对深层图像特征解码；将解码结果输入到softmax层得到每个像素所属类别；训练金字塔空洞卷积网络，建立损失函数，通过训练样本确定网络参数；将测试图像输入到训练完成的金字塔空洞卷积网络，得到该图像的语义分割结果。本发明专利技术采用的空洞卷积和金字塔池化方法能有效提取多尺度的语义信息和细节信息，提升网络的分割效果。

A semantic segmentation method based on pyramid hole convolution network

【技术实现步骤摘要】
一种基于金字塔空洞卷积网络的语义分割方法
本专利技术涉及计算机视觉
，具体涉及一种基于金字塔空洞卷积网络的语义分割方法。
技术介绍
近年来，随着深度学习技术的迅速发展，其在医疗图像分析领域中的应用也越来越广。其中，语义分割技术在治疗计划、疾病诊断、病理研究等多种应用场景都发挥着巨大的作用。对于医疗图像而言，要准确的识别图像中各物体的类别需要具备专业领域的知识背景，并且需要耗费该专业权威一定的时间。而通过对语义分割技术的研究，可以实现自动地对输入的医疗图像进行精准的分割，从而方便医生做出更准确的判断，并设计出更好的治疗计划。传统的语义分割算法包括基于分水岭的分割方法、基于聚类的分割方法、基于统计特征的分割方法，但是随着深度学习技术的发展，基于CNNs模型的语义分割方法开始成为主流，特别是随着FCN网络的提出，更是给语义分割技术的发展打开一所大门，越来越多的研究者们基于FCN模型提出了许多改进的语义分割模型。特别是，U-Net模型由于具有在训练集比较小的情况下模型效果依然很好的优点，因此在医疗图像语义分割领域被广泛使用。在U-本文档来自技高网...

【技术保护点】
1.一种基于金字塔空洞卷积网络的语义分割方法，其特征在于，所述的金字塔空洞卷积网络包括第一残差递归卷积模块、第二残差递归卷积模块、池化层、金字塔池化模块、空洞卷积模块、反卷积层、第三残差递归卷积模块、第四残差递归卷积模块、softmax预测层，其结构连接方式为：所述的第一残差递归卷积模块依次串联池化层、第二残差递归卷积模块、池化层，所述的金字塔池化模块和空洞卷积模块并联后与前述的池化层串联，然后依次串联反卷积层、第三残差递归卷积模块、反卷积层、第四残差递归卷积模块、softmax预测层；所述的语义分割方法包括如下步骤：/nS1、获取包含真实分割结果的医疗图像数据集，对该数据集进行预处理操作实现...

【技术特征摘要】
1.一种基于金字塔空洞卷积网络的语义分割方法，其特征在于，所述的金字塔空洞卷积网络包括第一残差递归卷积模块、第二残差递归卷积模块、池化层、金字塔池化模块、空洞卷积模块、反卷积层、第三残差递归卷积模块、第四残差递归卷积模块、softmax预测层，其结构连接方式为：所述的第一残差递归卷积模块依次串联池化层、第二残差递归卷积模块、池化层，所述的金字塔池化模块和空洞卷积模块并联后与前述的池化层串联，然后依次串联反卷积层、第三残差递归卷积模块、反卷积层、第四残差递归卷积模块、softmax预测层；所述的语义分割方法包括如下步骤：
S1、获取包含真实分割结果的医疗图像数据集，对该数据集进行预处理操作实现数据增强；
S2、将预处理图像依次通过第一残差递归卷积模块、池化层、第二残差递归卷积模块、池化层，多尺度提取图像的语义信息，分别得到浅层图像特征F11、F12、F21、F22；
S3、将图像特征F22通过一个由金字塔池化模块和空洞卷积模块并联的网络，其中，将图像特征F22通过金字塔池化模块后得到图像特征F3，将图像特征F22通过空洞卷积模块后得到图像特征F4；将图像特征F3、F4进行逐通道的聚合操作，然后再通过一个卷积核为1×1的卷积层，得到深层图像特征F5，从而进一步提取深层次的语义信息；
S4、将图像特征F5通过一个反卷积层，然后再与通过跳跃连接传递过来的浅层图像特征F21进行逐通道的聚合操作，得到图像特征F61；再将图像特征F61通过第三残差递归卷积模块，得到图像特征F62，其中，所述的跳跃连接是直接将浅层特征传递过来，与通过反卷积层后的结果进行逐通道的聚合；
S5、将图像特征F62通过一个反卷积层，然后再与通过跳跃连接传递过来的浅层图像特征F11进行逐通道的聚合操作，得到图像特征F71；再将图像特征F71通过第四残差递归卷积模块，得到图像特征F72；
S6、将图像特征F72输入到softmax预测层，得到原始输入图像中每个像素所属的类别；
S7、训练金字塔空洞卷积网络，建立损失函数，通过训练样本确定网络参数；
S8、将待分割的测试图像输入到训练完成的金字塔空洞卷积网络，得到该图像的语义分割结果。


2.根据权利要求1所述的一种基于金字塔空洞卷积网络的语义分割方法，其特征在于，所述的步骤S1中预处理操作包括旋转、切片、标准化、自适应直方图均衡。


3.根据权利要求1所述的一种基于金字塔空洞卷积网络的语义分割方法，其特征在于，所述的第一残差递归卷积模块、第二残差递归卷积模块、第三残差递归卷积模块、第四残差递归卷积模块结构相同，每个残差递归卷积模块都是先将输入通过两个...

【专利技术属性】
技术研发人员：史景伦，张宇，傅钎栓，李显惠，林阳城，
申请(专利权)人：华南理工大学，广州梦辉机器人有限公司，
类型：发明
国别省市：广东;44