一种三维图像的分类网络、方法及图像处理设备技术

本发明专利技术适用图像处理技术领域，提供了一种三维图像的分类网络、方法及图像处理设备，该网络包括第一三维卷积层、三维最大池化层、多个三维移动倒置瓶颈模块、第二三维卷积层以及全连接模块，通过第一三维卷积层对待分类图像进行卷积，通过三维最大池化层对第一三维卷积层输出的三维特征图进行压缩，通过多个三维移动倒置瓶颈模块对三维最大池化层输出的三维特征图进行处理，通过第二三维卷积层对多个三维移动倒置瓶颈模块中最后一个模块输出的三维特征图的通道维度进行提升，最后通过全连接模块将第二三维卷积层输出的特征连接起来，根据连接得到的特征确定待分类图像的类别，实现了三维图像的直接处理，提高了三维图像的分类效率。效率。效率。

【技术实现步骤摘要】
一种三维图像的分类网络、方法及图像处理设备


[0001]本专利技术属于图像处理
，尤其涉及一种三维图像的分类网络、方法及图像处理设备。

技术介绍

[0002]核磁共振成像也称磁共振成像(Magnetic Resonance Imaging，缩写为MRI)，该技术是利用核磁共振原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。该技术在临床诊断、科学研究的应用已成为现实，极大地推动了医学和认知神经等学科的发展。
[0003]目前，大多数对图像进行分类的卷积神经网络只能识别二维的图像，不能直接处理三维的核磁共振成像。为了获取三维结构磁共振影像的全部信息，需要将二维的卷积神经网络三维化。EfficientNet网络是谷歌于2019年提出的深度卷积神经网络，此后基于该网络的模型及其各种变体称霸了包括图像网络(ImageNet)的各项二维自然图像分类竞赛榜单，然而EfficientNet仍然只能针对二维图像的分类。

技术实现思路

[0004]本专利技术的目的在于提供一种三维图像的分类网络、方法及图像处理设备，旨在解决由于现有技术无法提供一种有效的三维图像分类方法，导致三维图像分类效率低下的问题。
[0005]一方面，本专利技术提供了一种三维图像的分类网络，所述分类网络包括：
[0006]第一三维卷积层，用于对输入的待分类图像进行卷积操作，以得到多个通道的三维特征图，所述三维特征图为所述待分类图像的局部特征图，所述待分类图像为三维图像；
[0007]三维最大池化层，用于对所述第一三维卷积层输出的三维特征图进行压缩，得到压缩的、且通道维度不变的三维特征图；
[0008]依次连接的多个三维移动倒置瓶颈模块，用于对所述三维最大池化层输出的三维特征图进行处理，得到包含所述待分类图像全局信息的三维特征图；
[0009]第二三维卷积层，用于对所述多个三维移动倒置瓶颈模块中最后一个三维移动倒置瓶颈模块输出的三维特征图的通道维度进行提升；以及
[0010]全连接模块，用于将所述第二三维卷积层输出的特征连接起来，根据连接得到的特征确定待分类图像的类别。
[0011]另一方面，本专利技术提供了一种三维图像的分类方法，包括：
[0012]通过上述分类网络对输入的三维图像进行分类。
[0013]另一方面，本专利技术还提供了一种图像处理设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述分类网络的功能。
[0014]本专利技术提供的三维图像的分类网络包括第一三维卷积层、三维最大池化层、依次连接的多个三维移动倒置瓶颈模块、第二三维卷积层以及全连接模块，通过第一三维卷积层对输入的待分类图像进行卷积，通过三维最大池化层对第一三维卷积层输出的三维特征图进行压缩，得到压缩的、且通道维度不变的三维特征图，通过依次连接的多个三维移动倒置瓶颈模块对三维最大池化层输出的三维特征图进行处理，得到包含待分类图像全局信息的三维特征图，通过第二三维卷积层对多个三维移动倒置瓶颈模块中最后一个三维移动倒置瓶颈模块输出的三维特征图的通道维度进行提升，最后通过连接模块将第二三维卷积层输出的特征连接起来，根据连接得到的特征确定待分类图像的类别，实现了三维图像的直接处理，提高了三维图像的分类效率。
附图说明
[0015]图1是本专利技术实施例一提供的三维图像的分类网络的结构示意图；
[0016]图2是本专利技术实施例二提供的三维图像的分类网络的结构示意图；
[0017]图3是本专利技术实施例二提供的三维图像的分类网络中三维移动倒置瓶颈模块的结构示意图；
[0018]图4是本专利技术实施例三提供的三维图像的分类方法的实现流程图；以及
[0019]图5是本专利技术实施例四提供的图像处理设备的结构示意图。
具体实施方式
[0020]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0021]以下结合具体实施例对本专利技术的具体实现进行详细描述：
[0022]实施例一：
[0023]图1示出了本专利技术实施例一提供的三维图像的分类网络的结构，为了便于说明，仅示出了与本专利技术实施例相关的部分。
[0024]本专利技术实施例提供的三维图像的分类网络1包括第一三维卷积层11、三维最大池化层12、依次连接的多个三维移动倒置瓶颈模块13、第二三维卷积层14以及全连接模15，其中：
[0025]第一三维卷积层11，用于对输入的待分类图像进行卷积操作，以得到多个通道的三维特征图，该三维特征图为待分类图像的局部特征图，待分类图像为三维图像；
[0026]三维最大池化层12，用于对第一三维卷积层11输出的三维特征图进行压缩，得到压缩的、且通道维度不变的三维特征图；
[0027]依次连接的多个三维移动倒置瓶颈模块13，用于对三维最大池化层12输出的三维特征图进行处理，得到包含待分类图像全局信息的三维特征图；
[0028]第二三维卷积层14，用于对多个三维移动倒置瓶颈模块中最后一个三维移动倒置瓶颈模块输出的三维特征图的通道维度进行提升；以及
[0029]全连接模块15，用于将第二三维卷积层14输出的特征连接起来，根据连接得到的特征确定待分类图像的类别。
[0030]本专利技术实施例适用于具有计算能力的图像处理设备，在该图像处理设备上运行该三维图像的分类网络，以实现三维图像的分类。其中，三维图像可以为磁共振图像，也可以为其它三维图像。第一三维卷积层11提取的三维特征图为待分类图像的简单局部特征，具体是将输入的三维图像抽象成空间尺度更低、通道数更多的三维特征图，即该层对待分类三维图像添加了一个维度，即通道维度，第一三维卷积层11输出的是多个通道的三维特征图，每个通道的三维特征图的长宽高尺寸减半。三维最大池化层12对第一三维卷积层11输出的三维特征图进行压缩时，主要是去除冗余信息、减少参数量、扩大感受野，缓解卷积层对位置的过度敏感性，从而得到空间尺度更低、通道维度尺度不变的三维特征图。多个三维移动倒置瓶颈模块13依次连接，三维移动倒置瓶颈模块13的数量预先设定，每个三维移动倒置瓶颈模块的构建参数可以不同，依次连接的三维移动倒置瓶颈模块13通过对三维最大池化层12输出的图像特征进行处理，从而综合图像的简单局部特征，得到图像的复杂全局信息。全连接模块15将第二三维卷积层14输出的特征连接起来，将连接得到的特征映射到分类标记空间，从而确定待分类图像的类别。
[0031]本专利技术实施例提供的三维图像的分类网络包括第一三维卷积层、三维最大池化层、依次连接的多个三维移动倒置瓶颈模块、第二三维卷积层以及全连接模块，通过第一三维卷积层对输入的待分类图像进行卷积操作，得到多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维图像的分类网络，其特征在于，所述分类网络包括：第一三维卷积层，用于对输入的待分类图像进行卷积操作，以得到多个通道的三维特征图，所述三维特征图为所述待分类图像的局部特征图，所述待分类图像为三维图像；三维最大池化层，用于对所述第一三维卷积层输出的三维特征图进行压缩，得到压缩的、且通道维度不变的三维特征图；依次连接的多个三维移动倒置瓶颈模块，用于对所述三维最大池化层输出的三维特征图进行处理，得到包含所述待分类图像全局信息的三维特征图；第二三维卷积层，用于对所述多个三维移动倒置瓶颈模块中最后一个三维移动倒置瓶颈模块输出的三维特征图的通道维度进行提升；以及全连接模块，用于将所述第二三维卷积层输出的特征连接起来，根据连接得到的特征确定待分类图像的类别。2.如权利要求1所述的分类网络，其特征在于，所述第一三维卷积层包括一个卷积核大小为7
×7×
7、卷积步长为2
×2×
2的卷积操作、批正则化操作以及一个ReLu激活函数。3.如权利要求1所述的分类网络，其特征在于，所述三维最大池化层包括一个池化核大小为2
×2×
2、步长为2
×2×
2的池化操作。4.如权利要求1所述的分类网络，其特征在于，所述三维移动倒置瓶颈模块包括：三维扩张卷积模块，用于对输入特征图进行通道维度上的扩张，以得到通道维度扩张后的特征图；三维深度卷积模块，用于对所述三维扩张卷积模块输出的特征图进行特征处理，以得到通道数目不变的特征图；紧缩与激励模块，用于对所述三维深度卷积模块输出的特征图进行通道维度上的加权，以得到添加注意力的特征图；以及三维逐点卷积模块，用于对所述紧缩与激励模块输出的特征图进行通道维度的更改，以得到通道数符合输出要求的特征图。5.如权利要求4所述的分类网络，其特征在于：所述三维扩张卷积...

【专利技术属性】
技术研发人员：征博文，高昂，黄晓娜，李宇涵，梁栋，隆晓菁，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：