【技术实现步骤摘要】
卷积神经网络的训练方法和病灶分割方法
[0001]本专利技术涉及医学图像处理领域,尤其涉及卷积神经网络的训练方法和基于卷积神经网络的病灶分割方法。
技术介绍
[0002]病灶的精确分割对于疾病诊断、治疗方案改善、手术规划以及术后评估等至关重要。医学图像分割领域中,基于深度学习的病灶分割方法获得了广泛的关注。目前,在大多数的图像分割方法中,卷积神经网络因具有提取图像特征的优点,而被广泛应用。
[0003]基于卷积神经网络的训练是图像分割中重要的步骤。根据数据集的标注程度,医学图像分割可使用3种不同的学习方式,分别为无监督、全监督、半监督及弱监督。无监督学习指已知数据没有任何标签,按照一定的偏好,训练一个智能算法,将所有的数据映射到多个不同标签的过程。全监督学习指已知数据和其一一对应的标签,训练一个智能算法,将输入数据映射到标签的过程。弱监督和半监督学习是一种介于两者之间的学习方式。无监督学习虽然不需要标签,但其在网络训练过程中只能取用低级的底层信息,很难具备准确性。全监督学习方式的优势在于分割精度高,但过于依赖标签,标签的获取成为很多任务进行全监督学习的障碍。
[0004]另外,对于脑部的医学图像等图像数据样本较少的情形,由于缺乏足够的数据而难以支撑深度学习。并且,脑部的伪影较多,所以相关技术对上下文的语义信息和空间信息获取不足,从而导致分割精度不高。
技术实现思路
[0005]本专利技术实施例提供一种卷积神经网络的训练方法和病灶分割方法,使得卷积神经网络的训练过程中人工干预程度低,训练 ...
【技术保护点】
【技术特征摘要】
1.一种卷积神经网络的训练方法,所述卷积神经网络包括输入层、中间层和输出层;其特征在于,所述训练方法包括:初始化所述中间层的网络参数;基于所述输入层接收的训练样本图片,前向传播计算所述卷积神经网络的期望输出;计算所述期望输出和所述输出层接收的所述训练样本图片对应的标签之间的误差;反向传播所述误差,并更新所述中间层的网络参数;采用交叉熵函数和Dice函数结合成的Dice
‑
CE函数对所述误差进行损失评估;在所述误差被评估为损失最小时,对应的所述中间层的网络参数作为所述卷积神经网络的最终参数。2.根据权利要求1所述的卷积神经网络的训练方法,其特征在于,所述Dice
‑
CE函数为,L
Dice
‑
E
=
‑
(αL
CE
+(1
‑
α)
·
L
Dice
),其中0<α<1,L
CE
为所述交叉熵函数,L
Dice
为所述Dice函数。3.根据权利要求2所述的卷积神经网络的训练方法,其特征在于,所述交叉熵函数表示为:其中,0<β<1,N为所述训练样本图片的总数,In表示自然对数;y
true
为所述标签,y
pred
为所述期望输出。4.根据权利要求2所述的卷积神经网络的训练方法,其特征在于,所述Dice函数表示为:其中,N为所述训练样本图片的总数,y
true
为所述标签,y
pred
为所述期望输出。5.根据权利要求1至4任一项所述的卷积神经网络的训练方法,其特征在于,所述中间层划分为:第一块A0、第二块A1、第三块A2和第四块A3;其中,所述输入层接收到的训练样本图片经所述第一块进行第一次特征提取,得到第一特征图片;所述第一特征图片经所述第二块进行第二次特征提取,得到第二特征图片;所述第二特征图片经所述第三块进行第三次特征提取,得到第三特征图片;所述第三特征图片经所述第四块进行第四次特征提取,得到第四特征图片;所述前向传播计算所述卷积神经网络的期望输出,包括:基于所述第二特征图片、所述第三特征图片和所述第四特征图片,分别计算第一预测值、第二预测值和第三预测值;所述计算所述期望输出和所述输出层接收的所述训练样本图片对应的标签之间的误差,包括:分别计算所述第一预测值、所述第二预测值和所述第三预测值与所述标签之间的第一偏差、第二偏差和第三偏差;所述第一偏差、所...
【专利技术属性】
技术研发人员:付娆,李峰,苏畅,程剑,李坤艳,
申请(专利权)人:中国移动通信集团有限公司,
类型:发明
国别省市:
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。