基于轻量级全卷积神经网络的医学图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111489364A(43)申请公布日2020.08.04(21)申请号202010277654.4G06N3/08(2006.01)(22)申请日2020.04.08(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人唐贤伦钟冰李洁彭德光李锐郝博慧彭江平李伟李星辰黄淼邹密(74)专利代理机构重庆市恒信知识产权代理有限公司50102代理人陈栋梁(51)Int.Cl.G06T7/11(2017.01)G06T7/194(2017.01)G06N3/04(2006.01)权利要求书3页说明书8页附图1页(54)发明名称基于轻量级全卷积神经网络的医学图像分割方法(57)摘要本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法(leave-one-out)训练方法；最后，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络，并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势，又提高了图像分割网络的测试速度。CN111489364ACN111489364A权利要求书1/3页1.一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，包括以下步骤：步骤1：对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理；步骤2：针对训练集随机提取patch图，首先设定patch图的宽和高，然后随机地选取像素点作为patch的中心；步骤3：搭建由左侧收缩路径和右侧扩张路径组成的全卷积神经网络；步骤4：针对步骤3中搭建好的全卷积神经网络，使用dice_loss计算预测值y和期望值y'的相似度，其中dice_loss的定义如下：步骤5：结合步骤4中的损失函数，针对图像数量较少的数据集使用留一法进行交叉验证；步骤6：加载步骤5中得到的预训练网络模型，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道，以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络；最后，加载步骤1中的测试图像数据到该网络中，快速测试完成图像分割。2.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤1对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理，具体为：首先采用的是对R、G、B分量进行加权平均的算法，其表达式为如下，其中Gray(i,j)表示图像上的像素点，i表示像素点的横坐标，j表示像素点的纵坐标：Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)然后采用z-score标准化方法，对上述灰度化后的图像进行标准化并缩放图像数据，表达为：其中,μ表示的是每一维度像素点自身的均值，σ表示的是每一维度像素点自身的均方差；接着，对标准化后的图像，在保证能够将直方图分布变成近似均匀分布的前提下，设定一个限制直方图分布的阈值δ以限制性的增强图像对比度，同时，在像素的映射过程中使用双线性插值加快直方图均衡化的速度；然后继续对对比度受限自适应直方图均衡(CLAHE)后的图像Vin的伽玛曲线进行非线性色调编辑，识别图像信号中的前景和背景部分，并增大两者的比例；最后把图片上的像素点值归一化映射到0-1之间。3.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤2针对训练集随机提取patch图，首先设定patch图的宽和高，然后随机地选取像素点作为patch的中心，具体为：针对训练集，首先设定patch图的宽、高大小分别为patch_w和patch_h，然后随机地选取像素点作为patch的中心，该像素点的坐标需满足如下条件：2CN111489364A权利要求书2/3页其中，x为横坐标，y为纵坐标，img_w是原图的宽度大小，img_h是原图的高度大小；最后，以该像素点为中心，从原图中截取宽度为patch_w，高度为patch_h的训练图patch，针对测试集，同样先设定patch_w和patch_h，然后判断原图的大小是否和设定的patch图的大小成比例关系，如果没有，则对原图进行像素填充；最后，以输入原图的左上角为起点，按照“从上到下从左到右”原则循环提取patch图。4.根据权利要