[发明专利]基于深度学习的锁骨上臂丛神经的识别方法及其系统

权利要求书

1.一种基于深度学习的锁骨上臂丛神经的识别方法，其特征在于，包括如下步骤：

步骤S1：获取锁骨上臂丛神经的原始医学图像组；

步骤S2：预处理原始医学图像组，构成训练PixelCNN++卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；

步骤S3：对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；

步骤S4：构建卷积神经网络，使用PixelCNN++算法构建卷积神经网络,在PixelCNN++卷积神经网络模型中载入训练集，确定PixelCNN++卷积神经网络的模型参数，进行特征学习，得到训练好的PixelCNN++卷积神经网络模型并保存；

步骤S5：部署训练好的PixelCNN++卷积神经网络模型，识别并标记医学图像中的锁骨上臂丛神经。

2.根据权利要求1所述的方法，其特征在于，所述步骤S4中包括：

获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；

将卷积图像作为输入构建输入卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，最大池化后直接输出卷积结果一，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果一，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果一作为输入构建第一次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，最大池化后直接输出卷积结果二，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果二，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果二作为输入构建第二次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，最大池化后直接输出卷积结果三，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果三，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果三作为输入构建第三次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，最大池化后直接输出卷积结果四，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果四，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果四作为输入构建第四次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，直接输出卷积结果五，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果五，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果五作为输入构建第五次卷积层，按需进行全局（Global）连接后补足数据，使用修正线性单元激活层，卷积使用预设算法调整，输出卷积结果六；

将卷积结果六和第四次卷积的中间输出经过复制和裁剪后进行连接，作为输入构建第六次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后直接输出卷积结果七，或者可以选择连接自上往下卷积和自左往右卷积的结果，向上卷积后输出卷积结果七，不同方向的两种卷积结果的连接可选分步（Local）连接或者全局（Global）连接；

将卷积结果七和第三次卷积的中间输出经过复制和裁剪后进行连接，作为输入构建第七次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后直接输出卷积结果八，或者可以选择连接自上往下卷积和自左往右卷积的结果，向上卷积后输出卷积结果七，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果八和第二次卷积的中间输出经过复制和裁剪后进行连接，作为输入构建第八次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后直接输出卷积结果九，或者可以选择连接自上往下卷积和自左往右卷积的结果，向上卷积后输出卷积结果九，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果九和第一次卷积的中间输出经过复制和裁剪后进行连接，作为输入构建第九次卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后直接输出卷积结果十，或者可以选择连接自上往下卷积和自左往右卷积的结果，向上卷积后输出卷积结果十不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果十和输入卷积的中间输出经过复制和裁剪后进行连接，作为输入构建输出卷积层，先进行两次方向为自上往下的二维卷积，再在两次方向为自上往下的卷积结果基础上进行两次方向为自左往右的二维卷积，每次卷积后使用修正线性单元激活层，直接输出卷积结果十一，或者可以选择连接自上往下卷积和自左往右卷积的结果后输出卷积结果十一，不同方向的两种卷积结果的连接方式选择分步（Local）连接或者全局（Global）连接；

将卷积结果十一作为输入构建输出层，进行一次二维卷积，获得锁骨上臂丛神经在图像中的位置范围标记结果，输出标记遮罩数据形成输出图像。