【技术实现步骤摘要】
一种基于解码层损失回召的医学影像分割方法及系统
[0001]本专利技术涉及医学影像处理
，更具体的，涉及一种基于解码层损失回召的医学影像分割方法及系统。
技术介绍
[0002]医学影像分割对于临床治疗有非常重要的作用，小目标的器官位置的确定和边缘位置的划分都需要医生花费大量精力。基于深度学习搭建的分割网络可以更精准和更快速地确定器官的位置和其边界，帮助病理专家提高阅片的效率。分割网络对于胰腺和胰腺癌这些小目标器官和病灶的病变起关键的作用。该技术的目的是将CT图像进行像素级别的分类，判断每个像素是否为胰腺。
[0003]随着计算机性能的提高和深度学习方法的快速发展，卷积神经网络已广泛应用于医学影像分割和检测。对于胰腺分割问题，现有技术有：U
‑
Net（Ronneberger O, Fischer P, Brox T. U
‑
net: Convolutional networks for biomedical image segmentation[C]//Medical Imag...
【技术保护点】
【技术特征摘要】
1.一种基于解码层损失回召的医学影像分割方法，其特征在于：包括以下步骤：S1、收集带标签的数据集，并进行预处理得到训练数据集；S2、通过将卷积网络的编码器中的部分卷积替换成多视野卷积，并在卷积网络的解码器中的解码层中加入用于解码层损失回召的解码回召层，构建多视野卷积网络；S3、将训练数据集输入多视野卷积网络的编码器中，提取若干层语义特征；将若干层语义特征输入到多视野卷积网络的解码器中，解码器中的每层解码层通过其解码回召层各输出一个概率图；根据概率图得到总损失，训练多视野卷积网络的参数；S4、对训练好的多视野卷积网络的解码回召层进行剪枝；通过剪枝后的多视野卷积网络分割医学影像。2.根据权利要求1所述的基于解码层损失回召的医学影像分割方法，其特征在于：多视野卷积网络的解码器有N个编码层；第1到第N
‑
1层编码层由3x3卷积、L个多视野卷积、下采样依次串联组成；第N层编码层由2个卷积组成。3.根据权利要求2所述的基于解码层损失回召的医学影像分割方法，其特征在于：所述的多视野卷积包括2个3x3卷积、2个1x1卷积、最大池化层、第1全连接层、第2全连接层、平均池化层、ReLu函数、Sigmod函数；其中，1个3x3卷积、1个1x1卷积、最大池化层并联为多视野卷积；1个3x3卷积、1个1x1卷积、多视野卷积、平均池化层、第1全连接层、ReLu函数、第2全连接层、Sigmod函数依次串联。4.根据权利要求3所述的基于解码层损失回召的医学影像分割方法，其特征在于：所述的步骤S3中，将训练数据集输入多视野卷积网络的编码器中，提取若干层语义特征；具体为：将训练数据输入编码器进行编码；第层编码层进行编码：将第层编码层下采样得到的输入第j层编码层，依次经过其3x3卷积、L个多视野卷积得到语义特征，再经过其下采样得到；将第N
‑
1层编码层输出的输入第N层编码层中，得到第N层语义特征；从而得到N层语义特征。5.根据权利要求4所述的基于解码层损失回召的医学影像分割方法，其特征在于：多视野卷积网络的解码器有N
‑
1个解码层；其中，第1层的解码层由上采样、特征融合层、3x3卷积、L个多视野卷积和Sigmod函数依次串联组成；第2到N
‑
1层的解码层由上采样、特征融合层、3x3卷积、L个多视野卷积和解码回召层依次串联组成；所述的特征融合层由2个并联的1x1的卷积、ReLu函数、平均池化层、2个卷积和Sigmod函数依次串联组成。6.根据权利要求5所述的基于解码层损失回召的医学影像分割方法，其特征在于：所述的解码回召层由3x3的卷积、2个多视野卷积、Sigmod函数组成；3x3的卷积、2个多视野卷积、Sigmod函数依次串联；
解码层中，3x3的卷积的输入为L个多视野卷积的输出，并且解码回召层中的2个多视野卷积还分别与3x3的卷积的输入和3x3的卷积连接。7.根据权利要求6所述的基于解码层损失回召的医学影像分割方法，其特征在于：所述的步骤S3中，将若干层语义特征输入到多视野卷积网络的解码器中，解码器中的每层解码层通过其解码回召层各输出一个概率图，具体为：第N
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。