[發明專利]一種基于多層級神經網絡的醫學圖像分割系統及方法

有效

• 申請號: 202011337099.6
• 申請日: 2020-11-25
• 公開（公告）號: CN112330662B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 丁熠;鄭偉;曹明生;鄧伏虎;秦臻;譚富元;朱桂欽;張超;邱瀘誼
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

1.一種基于多層級神經網絡的醫學圖像分割系統，其特征在于，包括圖像初始化模塊、多層級深度特征提取模塊、金字塔池化長連接模塊以及多層級分割模塊；

所述圖像初始化模塊，用于將采集的原始醫學圖像輸入至圖像初始化模型，并利用圖像初始化模型提取原始醫學圖像的初始化特征；

所述多層級深度特征提取模塊，用于利用原始醫學圖像的初始化特征訓練多層級深度特征提取模型，并利用訓練后的多層級深度特征提取模型分別提取醫學圖像的多層級深度特征以及淺層特征；

所述金字塔池化長連接模塊，用于根據所述醫學圖像的淺層特征，利用金字塔池化長連接模型彌補多層級深度特征提取模型中丟失的卷積信息，得到全局聚合特征；

所述多層級分割模塊，用于利用醫學圖像的多層級深度特征以及全局聚合特征訓練多層級分割模型，并利用訓練后的多層級分割模型得到原始醫學圖像的分割結果，完成基于多層級神經網絡的醫學圖像分割；

所述圖像初始化模型包括批量歸一化層、分別與所述批量歸一化層連接的第一卷積層和最大池化層以及分別與所述第一卷積層和最大池化層連接的第二卷積層；所述第二卷積層與所述多層級深度特征提取模型連接；

所述第一卷積層的卷積核大小為3*3，步長為2；所述最大池化層的卷積核大小為5*5，步長為2；所述第二卷積層的卷積核大小為3*3，步長為1；

所述多層級深度特征提取模型包括與所述第二卷積層連接的第一級第一殘差塊、分別與所述第一級第一殘差塊連接的第一級第二殘差塊和第二級第一殘差塊、與所述第一級第二殘差塊連接的第一級第三殘差塊、分別與所述第二級第一殘差塊連接的第二級第二殘差塊和第三級第一殘差塊、與所述第二級第二殘差塊連接的第二級第三殘差塊、與所述第三級第一殘差塊連接的第三級第二殘差塊、與所述第三級第二殘差塊連接的第三級第三殘差塊以及與所述第三級第三殘差塊連接的第三級第四殘差塊；所述第一級第二殘差塊與所述第二級第二殘差塊連接，所述第二級第二殘差塊與所述第三級第二殘差塊連接；所述第一級第三殘差塊與所述第二級第三殘差塊連接，所述第二級第三殘差塊與所述第三級第三殘差塊連接；所述第一級第三殘差塊與所述第二級第三殘差塊均與所述第三級第四殘差塊連接；所述第三級第四殘差塊與所述多層級分割模型連接；所述第三級第一殘差塊、第三級第二殘差塊以及第三級第三殘差塊分別與金字塔池化長連接模型和多層級分割模型連接；

所述金字塔池化長連接模型包括第一池化塊和第二池化塊；所述第一池化塊分別與第三級第一殘差塊、第三級第二殘差塊以及第三級第三殘差塊連接，所述第二池化塊分別與第三級第一殘差塊和第三級第二殘差塊連接；

所述第一池化塊與第三級第一殘差塊連接時，其池化大小為7*7，步長為4；所述第一池化塊與第三級第二殘差塊連接時，其池化大小為5*5，步長為2；所述第一池化塊與第三級第三殘差塊連接時，其池化大小為3*3，步長為1；所述第二池化塊與第三級第一殘差塊連接時，其池化大小為7*7，步長為2；所述第二池化塊與第三級第二殘差塊連接時，其池化大小為5*5，步長為1。

2.根據權利要求1所述的基于多層級神經網絡的醫學圖像分割系統，其特征在于，所述第一級第一殘差塊、第一級第二殘差塊、第一級第三殘差塊、第二級第一殘差塊、第二級第二殘差塊、第二級第三殘差塊、第三級第一殘差塊、第三級第二殘差塊、第三級第三殘差塊和第三級第四殘差塊的殘差塊結構均相同，均包括若干個依次連接的殘差單元。

3.根據權利要求2所述的基于多層級神經網絡的醫學圖像分割系統，其特征在于，各所述殘差單元包括依次連接的第三卷積層、第四卷積層、第五卷積層和矩陣相加層；所述第三卷積層的輸入端與所述矩陣相加層的輸入端連接；

所述第三卷積層的卷積核大小為1*1，步長為1；所述第四卷積層的卷積核大小為3*3，步長為1；所述第五卷積層的卷積核大小為1*1，步長為1。