基于金字塔架构与由粗到精策略的血管分割方法及装置制造方法及图纸

本发明专利技术提供了一种基于金字塔架构与由粗到精策略的血管分割方法及装置，其中方法包括：建立PC‑Net深度卷积神经模型；获取待分割数据，将待分割数据输入PC‑Net深度卷积神经模型，得到血管分割结果。通过本发明专利技术提供的基于金字塔架构与由粗到精策略的血管分割方法及装置，可以在现有深度学习算法的基础上更好的提取多尺度信息，进而使得多尺度信息得到有效的交互，得到更加精确的血管分割性能。

Blood vessel segmentation method and device based on pyramid architecture and coarse to fine strategy

【技术实现步骤摘要】
基于金字塔架构与由粗到精策略的血管分割方法及装置
本专利技术涉及计算机领域，尤其涉及一种基于金字塔架构与由粗到精策略的血管分割方法及装置。
技术介绍
随着人类社会的向前发展与科学技术的持续进步，不断普及的数码影像产品与人们的日常生活紧密的结合在了一起。同时，人口在全世界范围内，也呈现出不断老龄化的态势。这些因素导致了一些眼底疾病的发病率不断的提升。眼底疾病，一般来说，在发病早期往往没有一些十分明显的征兆，不会造成十分强烈的刺痛和巨大的视力变化。这导致了病人难以察觉到细微的差异和改变。然而，青光眼，黄斑变性等常见眼底疾病发展到后期，会造成不可逆转的视神经损伤和视力下降。所以，建立有效的眼底疾病早期筛查系统具有巨大的临床意义和经济价值。同时，医师需要检查患者的眼底视网膜组织进而确诊相关的眼底疾病。眼底疾病的发展会在眼底视网膜组织上有一些特殊的显现。比如，以糖尿病视网膜病变为例，该病种是糖尿病的常见并发症之一，大多数糖尿病患者在后期都会因为该疾病有相当程度的视力损伤。随着糖尿病视网膜病变患者的病情不断加深，视网膜上会逐渐出现一些异常区域，例如本文档来自技高网...

【技术保护点】
1.一种基于金字塔架构与由粗到精策略的血管分割方法，其特征在于，包括：/n建立PC-Net深度卷积神经模型，其中，所述PC-Net深度卷积神经模型包括：CB+PSE模块以及CF模块，所述CB+PSE模块包括一个卷积块和其跟随的金字塔SE模块，所述CF模块对所述CB+PSE模块得到的采样特征图卷积和BN操作，模型输入通过所述CB+PSE模块和所述CF模块处理后得到输出层；/n获取待分割数据，将所述待分割数据输入所述PC-Net深度卷积神经模型，得到血管分割结果。/n

【技术特征摘要】
1.一种基于金字塔架构与由粗到精策略的血管分割方法，其特征在于，包括：
建立PC-Net深度卷积神经模型，其中，所述PC-Net深度卷积神经模型包括：CB+PSE模块以及CF模块，所述CB+PSE模块包括一个卷积块和其跟随的金字塔SE模块，所述CF模块对所述CB+PSE模块得到的采样特征图卷积和BN操作，模型输入通过所述CB+PSE模块和所述CF模块处理后得到输出层；
获取待分割数据，将所述待分割数据输入所述PC-Net深度卷积神经模型，得到血管分割结果。


2.根据权利要求1所述的方法，其特征在于，
所述CB+PSE模块包括：第一CB+PSE模块至第七CB+PSE模块；每个所述卷积块包括第一3×3卷积层、概率为预设值的Dropout层以及第二3×3卷积层；
所述输出层包括：第一输出层、第二输出层和第三输出层；
模型输入接收48×48大小的图像块，所述模型输入分别连接第一CB+PSE模块和第三CB+PSE模块，所述第一CB+PSE模块连接第二CB+PSE模块，所述第二CB+PSE模块连接所述第一输出层，所述第一输出层输出48×48大小的图像块，所述第三CB+PSE模块分别连接第四CB+PSE模块和第五CB+PSE模块，所述第四CB+PSE模块连接第六CB+PSE模块，所述第六CB+PSE模块连接第七CB+PSE模块，所述第七CB+PSE模块连接所述第二输出层，所述第二输出层输出24×24大小的图像块，所述第五CB+PSE模块连接所述第三输出层，所述第三输出层输出12×12大小的图像块；
所述输出层还包括：输出模块，所述输出模块包含级联层，3×3的卷积层和BN层，所述第一输出层、所述第二输出层和所述第三输出层的特征，通过所述输出模块的处理得到最终输出；
所述CF模块包括：第一CF模块至第四CF模块，所述第一CF模块对所述第一CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第三CB+PSE模块，所述第二CF模块对所述第二CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第三CB+PSE模块，所述第三CF模块对所述第四CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第六CB+PSE模块，所述第四CF模块对所述第五CB+PSE模块得到的采样特征图进行3×3的卷积和BN操作后送入所述第六CB+PSE模块。


3.根据权利要求2所述的方法，其特征在于，对得到的采样特征图进行3×3的卷积和BN操作之后，还包括：
模型编码层的特征即局部特征与降维后的全局信息进行减法，得到残差特征图，残差特征图中正概率表示模型池化过程中丢失的细节信息，负概率表示下层模型学到的全局信息，将该残差特征与原始特征进行级联。


4.根据权利要求2所述的方法，其特征在于，所述预设值为20％。


5.根据权利要求2所述的方法，其特征在于，每个输出层包括1×1的卷积层以及Sigmoid函数。


6...

【专利技术属性】
技术研发人员：潘成伟，吴轶成，俞益洲，
申请(专利权)人：杭州深睿博联科技有限公司，北京深睿博联科技有限责任公司，
类型：发明
国别省市：浙江;33