[发明专利]一种基于全卷积密集空洞网络的甲状腺结节实时分割方法

权利要求书

1.一种基于全卷积密集空洞网络的甲状腺结节实时分割方法，其特征在于，包括以下步骤：

步骤一：获取甲状腺数据并进行预处理；

步骤二：将所得到的数据进行标注，作为训练全卷积密集空洞网络模型的数据集；

全卷积密集空洞网络模型遵循自动编码器-解码器的架构进行搭建，简称为FCDDN模型；其中第1至8层构成了编码器，第9至15层构成了解码器；第1层是一个卷积核大小为3×3，个数为48的卷积层；第2至第8层是依次为1个卷积层、池化层、1个卷积层、池化层、4个卷积层、池化层，1个卷积层，卷积层的卷积核大小为3×3，个数为16，池化层大小为2×2，步长为2；第9至第14层依次为反卷积层、1个卷积层、反卷积层、1个卷积层、反卷积层、1个卷积层，反卷积大小为3×3，步长为2，卷积层的卷积核大小为3×3，个数为16；第15层是一个卷积核大小为1×1，卷积核个数为2的卷积层，用来对特征进行分类；

步骤三：基于密集连接构造全卷积密集空洞网络模型，并进行参数训练；

步骤四：将卷积层中的卷积核替换为空洞卷积并使用卷积核分解进行分解；

步骤五：对卷积层的输入进行数据标准化和非线性激活处理；

步骤六：对全卷积密集空洞网络模型的分割效果及效率进行精度指标与效率分析及对比。

2.根据权利要求1所述一种基于全卷积密集空洞网络的甲状腺结节实时分割方法，其特征在于，步骤二中对获取的甲状腺超声图像进行结节边缘的标记，并对甲状腺超声图像的大小做归一化处理；形成的数据集包括训练集和测试集。

3.根据权利要求1所述一种基于全卷积密集空洞网络的甲状腺结节实时分割方法，其特征在于，步骤三中使用步骤二得到的数据集对全卷积密集空洞网络模型参数进行训练；该全卷积密集空洞网络模型是进行甲状腺结节分割的端到端的模型，遵循自动编码器-解码器的架构，并且使用密集连接将卷积层提取的特征进行跨层传输。

4.根据权利要求1所述一种基于全卷积密集空洞网络的甲状腺结节实时分割方法，其特征在于，步骤四中，全卷积密集空洞网络模型由卷积层构成，不同卷积层中的卷积核使用不同空洞率的空洞卷积进行替代，并使用卷积核分解将二维卷积核分解成一维卷积核。