本发明专利技术属于图像处理领域，为一种基于级联平衡式卷积神经网络的核磁影像分割方法，建立基于级联平衡式卷积神经网络的分割模型；以卷积神经网络为基础，以残差网络为骨干网络对输入图片进行特征提取形成特征图；运用平衡特征金字塔方法对提取的特征图进行特征融合；基于区域候选网络生成候选区域，并融入多阈值、重采样机制选取出更优的候选框，最后对所得候选框来进行回归和分类。本发明专利技术基于卷积神经网络，构建U型网络混合模型完成医学影像图片的自动分割。可以准确对影像进行分割。
【技术实现步骤摘要】
本专利技术属于图像处理领域，具体地而言为一种基于级联平衡式卷积神经网络的核磁影像分割方法。
技术介绍
1、目前，肾癌的临床诊断主要依赖于传统的影像学检查。在应用上，影像中的特征往往依靠人眼进行定性的评估，由具有实践经验的医生在核磁影像上手动标记肾脏和肾脏肿瘤的位置。但是，由于核磁影像数据量巨大，手动标记非常耗费医生时间和精力。另外，随着近年来肾癌的发病率逐渐增加，手动分割由于效率相对底下，不再能够满足社会对肾癌患者的治疗需求。同时，由于肾癌具有体积小、与周围组织差异小、亚型多等特点，肉眼识别诊断具有一定的难度。因此，评估结果不可避免地具有一定的主观性及可变性。此外，在仅依靠人眼观测医学影像难以准确辨别肾癌的情况下，还需要进一步对患者进行肾肿物穿刺活检，这给患者本人带来了巨大的痛苦、造成额外不必要的创伤，而且对医生而言，操作难度高，重复次数多。
2、因此，现有的核磁影像的标记方法，难以对影像进行精确的处理。
技术实现思路
1、针对现有技术中存在的问题，本专利技术的目的在于提供一种基于级联平衡式卷积神经网络的核磁影像分割方法。
2、本专利技术是这样实现的，
3、一种基于级联平衡式卷积神经网络的核磁影像分割方法，该方法包括：
4、建立基于级联平衡式卷积神经网络的分割模型；
5、以卷积神经网络为基础，以残差网络为骨干网络对输入图片进行特征提取形成特征图；
6、运用平衡特征金字塔方法对提取的特征图进行特征融合；
<
p>7、基于区域候选网络生成候选区域，并融入多阈值、重采样机制选取出更优的候选框，最后对所得候选框来进行回归和分类。8、进一步地，建立基于级联平衡式卷积神经网络的分割模型中，将不同时期的同病灶处的核磁影像图像分为训练集和测试集，对分割模型进行训练，具体包括：
9、s1：在训练集中任选一张图像输入骨干网络，此骨干网络为残差网络，所选的图像记为p0，图像尺寸记为h×w×3；
10、s2：分别选取第二个卷积层、第三个卷积层、第四个卷积层以及第五个卷积层的最后一个残差块构建特征金字塔网络，其中构建的四个部分分别记为c2,c3,c4,c5，其中，c2,c3,c4,c5的尺寸分别为通过上采样的方式将顶层的小特征图放大至下一层的特征图一样的大小，再将当前层经过1×1卷积操作统一通道数后，把新的特征图和下层特征图中的每个元素对应相加，重复三次，最终得到4个输出特征图，分别记为m2、m3、m4、m5，尺寸分别为
11、s3：使用平衡特征金字塔方法，将m2、m3、m4、m5调整到中间大小，即与m4大小相同，得到平衡的语义特征，使用注意力机制提炼该语义特征；之后使用相同但反向的计算过程对获得的特征重新缩放，最终输出结果记为p2、p3、p4、p5，并将其送入rpn网络中；
12、s4：对p2、p3、p4、p5，遍历每个像素点对应到原图上生成9个不同大小的锚框，利用真实框对锚框去进行第一次回归，得到感兴趣区域roi，并删除超界的roi，接着对剩下的roi进行得分排序，保留其中前景概率大的部分，利用非极大值抑制得到候选框；
13、s5：计算当前候选框和哪个真实框最为接近，计算其重叠度值，并利用多阈值级联结构，将样本依次通过多个感兴趣区域池化及分类回归网络结构，通过逐级提高训练检测头的重叠度阈值的方式，输出最接近真实框的预测框以及其分类标签，即实现回归及分类；
14、s6：将s3、s4的输出候选框经过感兴趣区域归一统一成大小一致的特征图，将卷积神经网络中的原分割网络替换为u型网络结构，最终将输入特征图还原为原图对应大小，得到基于像素的分类概率矩阵，实现分割。
15、进一步地，在步骤s3中，利用平衡特征金字塔融合不同层级特征时，通过以下公式得到平衡后的语义特征：
16、
17、式(1)定义了平衡特征的表达式，用于对不同大小的特征图上对应像素值点求平均值，得到特征融合后的特征图；
18、其中，各符号的含义为：
19、lmin和lmax分别为fpn输出的最低和最高级别的特征图的编号；
20、l为fpn输出特征图的总数；
21、ml是s2中输出的特征图，即从m2–m5。
22、进一步地，在步骤s5中，定义多阈值级联结构在第t个阶段时训练预测物体类别和边界框的损失函数公式如下所示：
23、l(xt，g)＝lcls(ht(xt)，yt)+λ[yt≥1]lloc(ft(xt，bt)，g) (2)
24、bt＝ft-1(xt-1，bt-1) (3)
25、lcls(ht(xt)，yt)＝-log(ht(xt)) (4)
26、
27、
28、上述公式从上到下的含义依次为：
29、式(2)定义了第t级训练网络的损失函数l；
30、式(3)定义了回归框参数在前后两级的关系式；
31、式(4)定义了式(1)中用到的分类损失函数表达式，为多分类交叉熵损失函数lcls；
32、式(5)定义了式1中用到的回归损失函数表达式，为smooth l1损失函数；
33、式(6)定义了较广义的smooth l1表达式；
34、其中，各符号的含义为：
35、ht(xt)为第t个阶段的分类器预测的softmax概率分布；
36、yt为对应目标真实类别标签；
37、bt表示第t个阶段的候选框的回归参数；
38、ft(xt，bt)为第t个阶段的边界框回归器的预测的对应类别yt的回归参数；
39、g为对应真实目标的边界框回归的参数；
40、取σ＝3。
41、进一步地，在步骤s6中，定义训练u-net++网络的损失函数如下所示：
42、
43、式(7)定义了训练分割网络的损失函数，为交叉熵损失函数和戴斯系数结合的损失函数；
44、其中，各符号的含义为：n为u型结构层数，取2；yb为第b层真实框的回归参数；为第b层候选框的回归参数。
45、本专利技术与现有技术相比，有益效果在于：
46、本专利技术基于卷积神经网络，构建u型网络混合模型完成医学影像图片的自动分割。可以准确对影像进行分割。
本文档来自技高网...
【技术保护点】
1.一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，该方法包括：
2.按照权利要求1所述的一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，建立基于级联平衡式卷积神经网络的分割模型中，将不同时期的同病灶处的核磁影像图像分为训练集和测试集，对分割模型进行训练，具体包括：
3.按照权利要求2所述的一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，
4.按照权利要求2所述的一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，在步骤S5中，定义多阈值级联结构在第t个阶段时训练预测物体类别和边界框的损失函数公式如下所示：
5.按照权利要求2所述的一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，在步骤S6中，定义训练U-Net++网络的损失函数如下所示：
【技术特征摘要】
1.一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，该方法包括：
2.按照权利要求1所述的一种基于级联平衡式卷积神经网络的核磁影像分割方法，其特征在于，建立基于级联平衡式卷积神经网络的分割模型中，将不同时期的同病灶处的核磁影像图像分为训练集和测试集，对分割模型进行训练，具体包括：
3.按照权利要求2所述的一种基于级联平衡式卷积神经网络的核磁...
【专利技术属性】
技术研发人员：吴金洋，陈玫玫，张瑞雨，石书瑞，高培峰，尚永和，焦佳林，
申请(专利权)人：吉林大学，
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。