一种基于深度学习的局部微小特征结构分割方法技术

本发明专利技术提供一种基于深度学习的局部微小特征结构分割方法，首先将输入的序列样本图像分割为多份图像进行数据增强，将增强后的数据进行多次下采样得到多种尺度图像，将处理好的数据输入到包含有注意力机制的图像分割模块中，将获得的最终预测图与图像分割模块中输出的隐藏值共同输入到图像重建模块中进行原始图像的合成以完成预训练，随后加入判别器进行图像分割图像重建模块与判别器的交替训练，利用判别器来进行图像判别；本发明专利技术利用加入了注意力机制的图像分割模块以更好的关注局部微小结构，可应用于工业

【技术实现步骤摘要】
一种基于深度学习的局部微小特征结构分割方法


[0001]本专利技术属于
CT
图像分割
，具体涉及一种基于深度学习的局部微小特征结构分割方法
。

技术介绍

[0002]在人体医学
CT
检测以及工业
CT
扫描领域，人们往往关注于其中
CT
图像所能展现的由于密度不同而产生的不同灰度值的部分
。
使用
CT
扫描获取人体内部或者工件内部的形态形貌得到了广泛的应用，能够准确的根据
CT
扫描的结果区分出图像中的目标区域可以更好的分析人体或工件产生问题的原因，但
CT
图像的观察与识别往往需要专业人士依照多年的相关经验进行分析，费时费力，因此快速准确的图像分割识别方法显得愈发重要
。
[0003]CT
图片中往往由于采集设备中的暗电流
、
目标对象的扫描方式等原因会导致图像中有大量的伪影和噪点
。
传统技术中通过
CT
>提取缺陷往往需要采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的局部微小特征结构分割方法，其特征在于：采用的深度学习网络模型包括预处理模块
、
图像分割模块
、
图像重建模块以及判别器；所述预处理模块对输入的
CT
图像切割为多份完成数据增强后，再以不同尺度进行下采样，得到两组以上不同尺度图像；所述图像分割模块包括多个尺度的图像分割模块，对应处理不同尺度图像；每个图像分割模块均包括顺次连接的编码器
、ConvLSTM
模块以及解码器；其中，编码器包括顺次连接的四个编码处理；编码器的每个编码处理包括顺次连接的卷积层和3个残差块，其中每个残差块包含两个卷积层以及两个
BN
层，同时使用
Relu
作为激活函数；解码器包括一个残差块以及其后顺次连接的4个解码处理通道和一个普通卷积层；每个解码处理通道均包括顺次连接的反卷积层和3个残差块；所述图像重建模块顺次包括2个全连接层
、
尺寸修正层
、
三个上采样层
、
加法模块以及三个卷积层；所述判别器包括顺次连接的4个卷积层
、
一个平均池化层以及一个全连接层；在除最大尺度的图像分割模块中，图像首先进行一次卷积后得到特征图，再将得到的特征图经过四个编码处理后，对应得到特征图
fm1、fm2、fm3
和
fm4
；将最后一次输出的特征图
fm4
输入至
ConvLSTM
模块中，
ConvLSTM
模块会输出一个隐藏值
H
l
作为下一个尺度的图像分割模块中的
ConvLSTM
模块以达到信息融合的目的；
ConvLSTM
模块的另一个输出值送入其后的解码器，经解码器的四个解码处理通道处理后，分别对应得到特征图
fd1、fd2、fd3
和
fd4
；特征图
fd4
即为该图像分割模块最后输出的中尺度的预测图；在各尺度的图像分割模块中还包括注意力模块，其包括顺次连接的1×1×1卷积层
、
加法模块
、ReLu
激活函数
、1
×1×1卷积层
、sigmoid
激活函数
、Resamaler
函数以及乘法模块；针对当前第
i
个解码处理通道，注意力模块将解码器中上一解码处理通道输出的特征图
fd(i
‑
1)
通过一个1×1×1卷...

【专利技术属性】
技术研发人员：肖登宝，张杨，李旭，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：