[发明专利]基于密集网络图像的分割、识别方法和装置

说明书

本发明提供了基于密集网络图像的分割、识别方法和装置，涉及神经网络技术领域，其中，该基于密集网络图像的分割、识别方法包括：首先，使用卷积层作为特征提取器来捕获密集网络图像的分层特征，将得到的多尺度的特征图输入到编码模块，同时，利用跳跃连接，将不同尺度的特征图与编码模块中对应尺度的特征图连接，运用编码模块对特征图进行下采样和语义特征提取，运用解码模块对特征图进行上采样并恢复详细信息，获得多尺度特征图，接着，对稠密反卷积操作得到的输出特征图进行链式残差池化操作，这样，提高了对边界分割的准确性，捕获局部上下文信息，在编码模块中的三个边界细化块加入深度监督，通过上述处理，提高了医学图像分割的精准性。

技术领域

本发明涉及神经网络技术领域，尤其涉及基于密集网络图像的分割、识别方法和装置。

背景技术

深度学习是一种基于对数据进行表征学习的机器学习方法，其动机在于建立、模拟人脑进行分析学习的神经网络，即模仿人脑的机制来解释数据，例如，图像、声音和文本等。在实际运用过程中，深度学习通过组合低层特征形成更加抽象的高层特征来表示属性类别或特征，以发现数据的分布式特征。

近年来，随着深度学习在物体识别领域取得的惊人表现，越来越多的研究者也将深度学习应用于医学图像分割领域中来。传统的多层非线性卷积神经网络在分类问题上有很好的泛化性能，如果把它应用在图像分割任务中，由于其特有的滑动步长和池化层，会使得图像的分辨率减小，输出的分割结果粗糙。随着技术的发展，用于物体分割的经典网络结构为全卷积神经网络(Fully Convolutional Networks,FCN)，此后很多网络都是在它的基础上进行改进，全卷积神经网络分为解码和编码两部分，解码用于提取卷积特征，编码用于恢复原始图像的尺寸大小，从而很大程度上避免了常规卷积神经网络在分辨率问题上的限制，但是它的输出分割结果图只能恢复到原始图像的1/32，结果分辨率仍然较低，得不到高分辨率的分割结果图。为了解决这个问题，发展出了一种叫做DeepLab的基于膨胀卷积用于图像分割的网络，不同于前两种结构，它没有池化操作，这就使得原始图像尺寸不会减小，分辨率不会降低，但是，由于要在高分辨率和高维度的特征图上进行卷积操作，需要很大的计算内存，对GPU性能要求很高。

综上，目前关于医学图像分割过程中运用深度学习存在很多局限性的问题，尚无有效的解决办法。

发明内容

有鉴于此，本发明实施例的目的在于提供了基于密集网络图像的分割、识别方法和装置，通过稠密反卷积操作、跳跃连接等操作，提高了医学图像分割的边界特征提取的效率以及分割结果图的分辨率。

第一方面，本发明实施例提供了基于密集网络图像的分割、识别方法，包括：使用卷积层作为特征提取器来捕获密集网络图像的分层特征，将得到的多尺度的特征图输入到编码模块，同时，利用跳跃连接，将不同尺度的特征图与编码模块中对应尺度的特征图连接；

运用编码模块对特征图进行下采样和语义特征提取，运用解码模块对特征图进行上采样并恢复详细信息，获得多尺度特征图；

对稠密反卷积操作得到的输出特征图进行链式残差池化操作，其中，输出特征图是对多尺度特征图进行稠密反卷积操作后得到的；

利用深度分级监督在得到的三个边界细化块上捕获局部上下文信息。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，使用卷积层作为特征提取器来捕获密集网络图像的分层特征，将得到的多尺度的特征图输入到编码模块，同时，利用跳跃连接，将不同尺度的特征图与编码模块中对应尺度的特征图连接，包括：

使用卷积层作为特征提取器来捕获密集网络图像的多个分层特征图；

将多个分层特征图逐一进行自适应卷积操作，得到多个卷积层；

利用残差网络提取卷积特征得到多尺度特征图，将多个不同尺度的特征图利用跳跃连接，与编码模块中对应尺度的边界细化块连接。