[發明專利]一種基于卷積神經網絡的三維顆粒類別檢測方法及系統

有效

• 申請號: 202010563714.9
• 申請日: 2020-06-19
• 公開（公告）號: CN112001218B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 張法;郝語;萬曉華;劉志勇;李錦濤
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06V20/64
• 分類號: G06V20/64;G06V10/44;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 北京律誠同業知識產權代理有限公司 11006
• 代理人: 祁建國

1.一種基于卷積神經網絡的三維顆粒類別檢測方法，其特征在于，包括：

步驟1、構建包括混合尺度的三維擴張卷積層、稠密連接和損失函數的三維混合尺度密集卷積神經網絡，用已標注顆粒坐標的三維冷凍電子斷層圖像訓練該卷積神經網絡，得到顆粒挑選模型，用已標注顆粒類別的三維冷凍電子斷層圖像訓練該卷積神經網絡，得到顆粒分類模型；

步驟2、通過滑動窗口采集三維冷凍電子斷層圖像，得到待檢測三維重構的子區域，通過該顆粒挑選模型對每個該子區域進行預測，合并子區域的預測結果得到該三維冷凍電子斷層圖像中各顆粒的坐標；

步驟3、根據各顆粒的坐標，提取顆粒的三維圖像，將每個顆粒的三維圖像輸入至該顆粒分類模型，得到各顆粒的所屬類別；

其中該步驟2中還包括對合并子區域的預測結果中尋找所有的三維連通分量的中心點，作為初始顆粒坐標，將初始顆粒坐標作為種子點，采用均值漂移方法對分割結果進行聚類，每個子類表示一個三維顆粒。

2.如權利要求1所述的基于卷積神經網絡的三維顆粒類別檢測方法，其特征在于，該三維混合尺度密集卷積神經網絡包括6層三維擴張卷積層，擴張率∈[1,3]。

3.如權利要求1所述的基于卷積神經網絡的三維顆粒類別檢測方法，其特征在于，該步驟1包括：

步驟11、基于下式構建三維擴張卷積層，對于C個通道的輸入I，經過擴張率為s的三維擴張卷積輸出單一通道特征圖O：

其中(x,y,z)遍歷輸入三維冷凍電子斷層圖像的每個位置，卷積核w包含3³×C個訓練參數，s為擴張率，m、n、p分別為該單一通道特征圖O的長、寬、高；

步驟12、通過對該三維擴張卷積層添加混合尺度，得到該混合尺度的三維擴張卷積層，該混合尺度的三維擴張卷積層具體包括：

三維擴張卷積層中第i層第j通道的擴張率為s_ij＝(i+j)mod?16，Z_i-1表示層i-1的輸出特征圖，對每個輸入通道k使用不同的卷積核進行三維擴張卷積，層i通道j輸出的特征圖

其中表示層i的通道j圖像的每個像素增加一個恒定偏置,σ為激活函數；

步驟13、將該混合尺度的三維擴張卷積層的多尺度特征圖{X,Z₁,…,Z_i-1}稠密連接在一起計算層i的通道j的輸出特征圖

步驟14、所有特征圖的所有通道進行線性組合，應用激活函數σ′得到該三維混合尺度密集卷積神經網絡最終的輸出圖像y，輸出圖像y的k通道：

其中b′_k是輸出圖像y的k通道的恒定偏置，最后一層的激活函數σ′采用了soft-max函數,w_ijk是在k通道的權重；

步驟15、長寬高分別為m_i,n_i,p_i的三維冷凍電子斷層圖像X_i(i＝1,2,…,N)及對應的真實標注Y_i，該三維混合尺度密集卷積神經網絡的損失函數為負對數似然損失NLL函數:

其中F(·):F(X_i；Θ)^j,k,l是一個C維概率向量，表示體素X_i^j,k,l被預測為各類的概率，Θ＝{(w₁,b₁),(w₂,b₂),…,(w_n,b_n)}表示訓練參數，通過最小化F(X)和Y之間的NLL得到該訓練參數。