[发明专利]一种医学图像处理装置及方法

说明书

本发明提供一种医学图像处理方法，所述处理方法包括：获取待处理的医学图像；根据经训练的神经网络模型对医学图像进行处理；其中，所述神经网络模型包括多个神经网络结构单元，所述神经网络结构单元包括依次连接的第一卷积层、第二卷积层和第三卷积层，所述第一卷积层和所述第三卷积层的卷积核为单位卷积核；所述第一卷积层的输出通道数相对于所述第一卷积层的输入通道数被降维，所述第二卷积层在经过所述第一卷积层降维的特征图像上进行空间卷积，所述第三卷积层的输出通道数被升维至所述第一卷积层的输入通道数。

技术领域

本发明主要涉及医学图像领域，特别涉及一种医学图像处理装置及方法。

背景技术

近年来，基于深度学习的图像处理方法在医学图像高级应用中已经得到大规模使用。在诸如医学图像检测、医学图像分割、医学图像重建，医学图像配准等领域，深度学习方法在正确率、鲁棒性和计算速度等方面都远胜于传统的图像处理方法。

深度学习中图像领域运用最为成功的是卷积神经网络(Convolutional NeuralNetworks,CNN)。卷积神经网络中，可用于端到端分割的网络模型有全卷积网络(FullyConvolutional Network，FCN)，deeplab等。

在三维医学图像处理中，以图像分割为例，相比较于二维图像，现有神经网络训练产生的模型文件通常比较大，单个模型文件通常在250MB左右。如果软件产品中采用了多个神经网络模型，会大幅度增加最终软件产品的磁盘占用空间，从而给产品的部署带来很多不良的影响。此外，现有部署神经网络的方法及开源软件库，对每一个卷积层的输入和输出都需要分配新的内存，会耗费较多的显存，对产品部署的硬件配置带来了非常高的要求和成本。

发明内容

本发明要解决的技术问题是提供一种医学图像处理装置及方法，通过降低网络模型文件的大小以及对神经网络运行时内存的优化，从而节省存储空间，降低内存消耗，提高神经网络计算效率。

为了解决上述技术问题，本发明的一方面提供一种医学图像处理方法，所述处理方法包括：获取待处理的医学图像；根据经训练的神经网络模型对医学图像进行处理；其中，所述神经网络模型包括多个神经网络结构单元，所述神经网络结构单元包括依次连接的第一卷积层、第二卷积层和第三卷积层，所述第一卷积层和所述第三卷积层的卷积核为单位卷积核；所述第一卷积层的输出通道数相对于所述第一卷积层的输入通道数被降维，所述第二卷积层在经过所述第一卷积层降维的特征图像上进行空间卷积，所述第三卷积层的输出通道数被升维至所述第一卷积层的输入通道数。

在本发明的一实施例中，所述神经网络结构单元还包括批量归一化层和激活层。

在本发明的一实施例中，所述神经网络模型为卷积神经网络模型。

在本发明的一实施例中，所述卷积神经网络模型为U字型或V字型神经网络模型。

在本发明的一实施例中，确定所有卷积层中输入和输出所需的最大内存，并根据所述最大内存分配相应的输入内存和输出内存，在处理过程中，所述输入内存和所述输出内存相互调换。

在本发明的一实施例中，还包括跨层连接的卷积层，所述跨层连接的卷积层的输入和输出嵌入到所述输入内存和所述输出内存中。

在本发明的一实施例中，所述第二卷积层的卷积核大小为3-5。

本发明的另一方面提供一种医学图像处理装置，所述处理装置包括：医学图像获取模块，获取待处理的医学图像；医学图像处理模块，根据经训练的神经网络模型对医学图像进行处理；其中，所述神经网络模型包括多个神经网络结构单元，所述神经网络结构单元包括依次连接的第一卷积层、第二卷积层和第三卷积层，所述第一卷积层和所述第三卷积层的卷积核为单位卷积核；所述第一卷积层的输出通道数相对于所述第一卷积层的输入通道数被降维，所述第二卷积层在经过所述第一卷积层降维的特征图像上进行空间卷积，所述第三卷积层的输出通道数被升维至所述第一卷积层的输入通道数。