【技术实现步骤摘要】
本专利技术属于医学图像处理领域，具体涉及一种基于重参数化大卷积核的胰腺肿瘤高精度检测方法。
技术介绍
1、yolo目标检测凭借其高精度和高实时性的优势广泛地应用在工业领域并取得了显著的成果。在医学图像领域，yolo检测器的应用较少，在临床诊断如果上采用一种快速高效的检测器装置进行高精度诊断，提供辅助诊断结果，医生则可以根据这个初步结果做进一步的分析，这将大大提升医生诊断的效率。由于yolo是一阶段目标检测方法，在精度上不如二阶段的目标检测器，如何设计一个高精度的胰腺肿瘤yolo检测器是一项挑战。
2、胰腺的肿瘤大小不一，传统的yolo网络通常由1×1卷积和3×3卷积组成，有限的感受野限制了网络的学习能力，提升网络的感受野有利于提升网络的全局信息提取能力，准确地学习到肿瘤和胰腺的关系，从而提升整体的性能。然而过大的卷积核会带来巨大的开销和计算量，并且随着感受野的提升，小病灶的信息将在网络中逐步丢失，降低小目标的性能，如何在利用好大卷积核的优势的前提下，规避大感受野带来的不利影响，也是一个急需解决的问题。
技术实现思路
1、为了克服现有技术的不足，针对在医学检测任务中，yolo检测器的感受野和精度不足的问题，本专利技术提供了一种基于重参数化大卷积核的胰腺肿瘤高精度检测方法，提出可以无损提升肿瘤检出性能的yolo新架构，设计了一种repdw的卷积结构，通过使用重参数化深度可分离卷积，不仅提升了网络的感受野，增强了网络的全局信息提升能力，同时不增加额外的推理开销，最终本方法可以
2、本专利技术通过以下技术方案达到上述目的：
3、一种基于重参数化大卷积核的胰腺肿瘤高精度检测方法，包括以下步骤：
4、步骤s1:获取胰腺ct图像数据集并做划分；
5、选取动脉期的胰腺ct图像，转化为jpg格式的2d图像，便于输入网络训练，将所有图像按照设定比例分为训练集，验证集和测试集，训练集将用于训练网络，验证集用于评估模型的训练效果，测试集用于评估模型的性能和泛化性是否良好；
6、步骤s2:设计repdw结构；
7、步骤s3:将数据集在线增强；
8、步骤s4:训练基于重参数化大卷积核repdw结构的yolo算法；
9、将训练基于重参数化大卷积核repdw结构的yolo算法，在原始的yolov8网络中加入repdw结构进行改进；以yolov8n为基准模型，包括backbone，neck，head三个结构，其中backbone采用了四个c2f的基础卷积结构，neck采用了4个c2f结构，将所有c2f结构替换为repdw结构，并在backbone中依次将k设置为3，5，7，9，逐渐增大卷积核的大小，逐步提升网络的感受野；
10、步骤s5:验证评估模型性能；
11、步骤s6:保存最佳训练模型。
12、进一步，所述步骤s1中，训练集，验证集和测试集的设定比例为8:1:1。
13、再进一步，所述步骤s2的过程如下：
14、2.1首先输入将通过一个1×1的卷积层加bn归一化层和silu激活函数来控制输入通道数，再通过一个split的操作将通道数一分为二，得到x1，x2向量；其中x1向量将通过n个bottleneck结构，每经过一个bottleneck后，都会将输出结果保存。下一步将x1，x2向量和经过n个bottleneck结构后的n个输出(共n+2)一起做concat操作，最后再通过一个1×1的卷积层加bn归一化层和silu激活函数来控制输出通道数；
15、2.2其中bottleneck的结构设计具体由一个3×3普通卷积加bn归一化层和silu激活函数，以及一个k×k的重参数化dw卷积组成，重参数化dw卷积包括一个k×k的dw大卷积加bn归一化层和一个3×3的dw小卷积核加bn归一化层组成，k≥3，最后再经过一个1×1的卷积加bn归一化层和silu激活函数控制输出通道数；
16、2.3重参数化dw卷积的过程：假设k＝7，首先将7×7的dw大卷积核和bn层做融合，使bn(x)代表bn操作，dwlargeconv(x)代表经过7×7的dw大卷积后的结果，μ,σ,γ,β代表卷积的均值，标准差，方差和偏置。那么经过卷积和bn层后的输出结果为：
17、
18、经过3×3的dw小卷积后的结果为：
19、
20、2.4一个3×3dw卷积将通过一个padding的操作，将卷积核周围填充0达到7×7卷积的效果，最终两个卷积的参数将通过向量加法的操作合二为一，重新创建一个新的7×7的dw卷积，将相加后的卷积参数和bias赋值给这个新的卷积就可以得到最终的7×7repdw卷积，表示为：
21、repdwconυ(x)＝bn(dwlargeconυ(x))+bn(dwsmallconυ(x))
22、2.5由于重参数化卷积，那么在bottlenect的操作分为训练和验证两个阶段，在训练阶段，由于训练资源较为充沛，gpu更擅长处理并行操作，此时不进行重参数化：输入首先经过一个3×3卷积加bn归一化层加silu激活函数，再并行经过一个7×7dw卷积加bn归一化层和3×3dw卷积加bn归一化层，最后通过向量加法得到两者之和，最后经过一个1×1点卷积弥补dw卷积的性能得到输出；在验证阶段，由于推理设备一般性能有限，并行操作会大大降低推理速度影响实时性，此时使用重参数化方法，输入首先经过一个3×3卷积加bn归一化层加silu激活函数，再经过一个7×7repdwconv，最后经过一个1×1点卷积弥补dw卷积的性能。
23、更进一步，所述步骤s3中，对数据集做在线数据增强操作，包括hsv色调、饱和度、曝光度变换，随机旋转、平移、缩放、裁剪、错切和透视变换，马赛克数据增强，mixup数据增强或copypaste。
24、所述步骤s4中，过程如下：
25、4.1在backbone中640x640x3的图像首先经过两个3×3卷积的下采样层，此时图像大小为160×160，通道数为64，再经过一个repdw结构做特征提取，并且重参数化dw卷积的k为3，n为1，输出跟一个3×3的下采样卷积，此时图像大小为80×80，通道数为128；再经过一个repdw结构做特征提取，并且重参数化dw卷积的k为5，n为2，输出跟一个3×3的下采样卷积，此时图像大小为40×40，通道数为256；再经过一个repdw结构做特征提取，并且重参数化dw卷积的k为7，n为2，输出跟一个3×3的下采样卷积，此时图像大小为20×20，通道数为512。再跟一个repdw结构做特征提取，并且重参数化dw卷积的k为9，n为1。最后经过一个sppf结构得到的图像大小为20×20，通道数为1024；
26、4.2在neck中，经过的结构为pafpn，依次通过自下而上和自顶向下的操作后输出，其中经过4个r本文档来自技高网...
【技术保护点】
1.一种基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤S1中，训练集，验证集和测试集的设定比例为8:1:1。
3.如权利要求1或2所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤S2的过程如下：
4.如权利要求1或2所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤S3中，对数据集做在线数据增强操作，包括HSV色调、饱和度、曝光度变换，随机旋转、平移、缩放、裁剪、错切和透视变换，马赛克数据增强，mixup数据增强或copypaste。
5.如权利要求1或2所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤S4中，过程如下：
6.如权利要求1或2所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤S5中，共有300轮训练，每轮训练之后为一个验证环节，将用于评估模型训练的效果，评价指标为MAP。
7.如权
...【技术特征摘要】
1.一种基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤s1中，训练集，验证集和测试集的设定比例为8:1:1。
3.如权利要求1或2所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤s2的过程如下：
4.如权利要求1或2所述的基于重参数化大卷积核的胰腺肿瘤高精度检测方法，其特征在于，所述步骤s3中，对数据集做在线数据增强操作，包括hsv色调、饱和度、曝光度变换，随机旋转、平移、缩放、裁剪、错切和透视变换，马赛克数据增强，...
【专利技术属性】
技术研发人员：管秋，杨志强，赵柯尔，叶得章，吴陈琰，郑建炜，周乾伟，陈峰，
申请(专利权)人：浙江工业大学，
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。