一种卷积核生成方法和装置、电子设备制造方法及图纸

本发明专利技术公开了一种卷积核生成方法和装置、电子设备，属于医学图像处理技术领域，本发明专利技术所生成的卷积核应用于管状结构分割系统，其中，卷积核生成方法包括：根据Gabor滤波器原理实施三维Gabor滤波器，并构建Gabor卷积核；基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述Gabor卷积核的权重；基于所述Gabor卷积核的CNN模型结构，组合所述Gabor卷积核构建的目标模型，其中，所述目标模型包括：特征映射、特征提取和特征融合三部分。通过本发明专利技术实施例构建的用于管状结构分割的权重可学习Gabor卷积核，可以直接从尺度和方向上增强管状结构的特征，减少CNN的冗余参数，并提取更准确的管状组织。取更准确的管状组织。取更准确的管状组织。

【技术实现步骤摘要】
一种卷积核生成方法和装置、电子设备


[0001]本专利技术涉及医学图像处理
，尤其涉及一种卷积核生成方法和装置、电子设备。

技术介绍

[0002]管状结构在人体结构中无处不在，是维持人类生命体征的重要组织之一。近年来，心脑血管及气管等疾病已经成为全球的主要健康威胁之一。因此，人体管状结构的三维重建对于各类疾病的表征具有重要意义。
[0003]当前使用的卷积神经网络(Convolutional Neural Network,CNN)在特征学习上具有强大性能，但其无法预测CNN的特征学习方式。除此之外，常见的CNN需要生成大量的通道数或要求具有足够的深度来得到足够的特征，使得网络训练过程中会耗费大量的时间获取冗余参数。复杂的网络结构会造成存储和计算资源压力。
[0004]目前为解决上述问题，主要采用的方式为：应对管状结构的分割提出轻量化网络模型，但这可能损伤网络的特征提取能力。大量公开研究已经证明了Gabor滤波器在管状结构特征提取上的优势，但受限于参数调节的繁琐性。尽管已经有些研究实施了卷积核对于Gabor滤波器的调制，但尚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积核生成方法，生成的所述卷积核应用于管状结构分割系统，其特征在于，所述方法包括：根据Gabor滤波器原理实施三维Gabor滤波器，并构建Gabor卷积核；其中，所述Gabor卷积核中下一层特征图的单通道结果，基于上一层卷积核的采样值生成；基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述Gabor卷积核的权重；基于所述Gabor卷积核的CNN模型结构，组合所述Gabor卷积核构建的目标模型，其中，所述目标模型包括：特征映射、特征提取和特征融合三部分。2.根据权利要求1所述的方法，其特征在于，根据Gabor滤波器原理实施三维Gabor滤波器，并构建Gabor卷积核的步骤，包括：建立C
in
个Gabor卷积核对上层进行采样，并将每一个C
in
中得到的采样值求和，生成下一层特征图M
L+1
的单通道结果，其中，C
in
为上层特征图M
L
的通道数；在第L层结构中，建立C
out
组Gabor卷积核其中，每组Gabor卷积核包含C
in
个Gabor卷积核其中，C
out
为下一层特征图M
L+1
的通道数,生成包含C
out
通道数的下一层特征图M
L+1
。3.根据权利要求1所述的方法，其特征在于，基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述Gabor卷积核的权重的步骤，包括：计算每一通道下在L函数下的梯度，并在学习率η下更新G
L
(ω,ψ,σ,θ
i
)，且满足如下条件：足如下条件：4.根据权利要求1所述的方法，其特征在于：所述目标模型的特征映射部分由卷积层M1组成，所述卷积层M1由M0完成一次N通道的卷积并进行3D批规范化和ReLU激活处理后生成，其中M0为一次训练所选取的样本数建立的单通道特征图；所述特征提取部分引入了Gabor卷积核在引入时对M1中的每一通道实施尺度和方向上的特征捕捉，并在通道数合并时将N组特征合并到M2的任一通道中；所述特征融合部分引入了一次卷积实现特征降维以及通道数的合并，使得特征图M
L
从特征空间转移到标记空间中。5.一种卷积核生成装置，生成的所述卷积核应用于管状结构分割系统，其特征在于，所述装...

【专利技术属性】
技术研发人员：肖若秀，齐思雨，陈诚，周康能，王志良，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：