[發明專利]一種于改進SegNet分割網絡的淋巴結檢測方法在審
| 申請號： | 201910152279.8 | 申請日： | 2019-02-28 |
| 公開（公告）號： | CN109949276A | 公開（公告）日： | 2019-06-28 |
| 發明（設計）人： | 曹漢強;徐國平 | 申請（專利權）人： | 華中科技大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06T7/11;G06K9/62 |
| 代理公司： | 華中科技大學專利中心 42201 | 代理人： | 李智;曹葆青 |
| 地址： | 430074 湖北*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 分割 損失函數 交叉熵 網絡 淋巴結檢測 淋巴結 訓練集 正余弦 卷積 空洞 網絡優化目標 分辨率降低 圖像數據集 后處理 采樣圖像 對象邊緣 分割結果 提取特征 信息丟失 預測誤差 正負樣本 淋巴 不均衡 測試集 計算量 精細化 下采樣 構建 權重 樣本 改進 圖像 機場 優化 | ||
1.一種基于改進SegNet分割網絡的淋巴結檢測方法，其特征在于，該方法包括以下步驟：
S1.將淋巴結圖像數據集劃分為訓練集和測試集；
S2.構建基于空洞卷積操作的SegNet分割網絡；
S3.使用訓練集訓練所述SegNet分割網絡，以正余弦交叉熵損失函數最小化為網絡優化目標函數，優化所述SegNet分割網絡；
S4.使用訓練好的SegNet分割網絡，對待識別淋巴圖像中的淋巴結進行識別和分割，
所述基于空洞卷積操作的SegNet分割網絡，包括特征提取模塊和淋巴結分割模塊；
所述特征提取模塊由5個編碼單元串聯組成，每個編碼單元由2*空洞卷積層、1*組歸一化層、1*線性修正單元層和1*下采樣層串聯組成；所述淋巴結分割模塊由5個解碼單元和1個Softmax層串聯組成，每個解碼單元由1*上采樣層、2*空洞卷積層、1*組歸一化層和1*線性修正單元層串聯組成；
正余弦交叉熵損失函數公式表示如下：
Lcs＝-γ(cos(p)-αsin(p))log(p)
其中，γ和α均為超參數，p為分割網絡對所訓練圖像像素點的預測概率。
2.如權利要求1所述的淋巴結檢測方法，其特征在于，所述特征提取模塊用于提取淋巴結的多層特征圖，輸入是淋巴結圖像，輸出是一系列特征圖；
所述淋巴結分割模塊用于根據特征提取模塊提取到的特征，逐層對淋巴結進行識別和分割，輸入是來自特征提取模塊中所提取到的一系列特征圖，輸出是對每一個像素點的概率經過閾值化后的二值圖像，其和原始淋巴結圖像大小相同。
3.如權利要求1所述的淋巴結檢測方法，其特征在于，所述空洞卷積層用于提取淋巴結圖像特征，空洞卷積操作公式如下：
其中，x為輸入的淋巴結圖像，w為空洞卷積核，r為空洞卷積的擴張率，k為卷積核中心移動的范圍，i為像素點的位置，y為輸出的特征圖。
4.如權利要求1所述的淋巴結檢測方法，其特征在于，組歸一化操作公式如下：
其中，x(k)為第k個空洞卷積層輸入的特征圖的值，E為輸入的特征圖中所有特征值的期望，為所有輸入特征值的方差，為經過歸一化后特征值。
5.如權利要求1所述的淋巴結檢測方法，其特征在于，線性修正單元操作公式如下：
對輸入的特征值進行線性修正，當輸入的特征值大于0時，輸出特征值不變，當輸入的特征值小于0時，輸出特征值為0。
6.如權利要求1所述的淋巴結檢測方法，其特征在于，所述淋巴結分割模塊中Softmax層的操作公式如下：
其中，zi為線性修正單元層的輸出特征圖中位置i的像素點的值，Softmax(zi)為原始淋巴結圖像上像素點zi是淋巴結的概率。
7.如權利要求1所述的淋巴結檢測方法，其特征在于，所述淋巴結檢測方法還包括步驟S5.采用馬爾科夫隨機場，對淋巴結分割結果進行后處理。
8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述的淋巴結檢測方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于華中科技大學，未經華中科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910152279.8/1.html，轉載請聲明來源鉆瓜專利網。
