[发明专利]一种基于卷积神经网络的图像分割方法、装置及存储介质

权利要求书

1.一种基于卷积神经网络的图像分割方法，其特征在于，所述方法包括如下步骤：

选取待分割的原始图像作为测试集和训练集，对训练集进行预处理，得到最终训练集；

构建具有残差块的U-Net卷积神经网络模型，安排具有残差块的U-Net卷积神经网络模型对最终训练集执行分割任务，获得学习后的U-Net卷积神经网络模型；

对学习后的U-Net卷积神经网络模型进行优化，获得训练好的U-Net卷积神经网络模型；

将测试集输入训练好的U-Net卷积神经网络模型，进行图像分割，获得分割完成的图像。

2.根据权利要求1所述的基于卷积神经网络的图像分割方法，其特征在于，所述待分割的原始图像为帕金森病患者的脑部核磁共振成像影像。

3.根据权利要求1所述的基于卷积神经网络的图像分割方法，其特征在于，所述对训练集进行预处理的方法包括如下步骤：

转变训练集原始图像的信号强度；对训练集原始图像做旋转操作；调整训练集原始图像比例。

4.根据权利要求1所述的基于卷积神经网络的图像分割方法，其特征在于，所述构建具有残差块的U-Net卷积神经网络模型为构建两个相同结构的具有残差块的U-Net卷积神经网络模型。

5.根据权利要求4所述的基于卷积神经网络的图像分割方法，其特征在于，所述对最终训练集执行分割任务包括如下步骤：

其中一个具有残差块的U-Net卷积神经网络模型通过对最终训练集的训练，分割出中脑的图像；

另一个具有残差块的U-Net卷积神经网络模型通过对分割出的中脑图像的训练，分割出黑质致密部和背景的图像。

6.根据权利要求5所述的基于卷积神经网络的图像分割方法，其特征在于，所述获得学习后的U-Net卷积神经网络模型包括如下步骤：

从512×512像素大小的训练集原始数据中随机裁剪256×256像素的图像，计算得到该图像的平均交叉熵，将平均交叉熵作为损失函数，根据损失函数验证学习后的U-Net卷积神经网络模型与实际需求模型的差距。

7.根据权利要求1所述的基于卷积神经网络的图像分割方法，其特征在于，所述对学习后的U-Net卷积神经网络模型进行优化包括如下步骤：

采用Adam梯度下降算法进行优化。

8.一种基于卷积神经网络的图像分割装置，其特征在于，所述装置包括：

图像选取处理模块：用于选取待分割的原始图像作为测试集和训练集，对训练集进行预处理；

构建训练模块：用于构建具有残差块的U-Net卷积神经网络模型，安排具有残差块的U-Net卷积神经网络模型执行分割任务，获得学习后的U-Net卷积神经网络模型；

优化模块：用于对学习后的U-Net卷积神经网络模型进行优化，获得训练好的U-Net卷积神经网络模型；

输出模块：用于将测试集输入训练好的U-Net卷积神经网络模型，获得并输出分割完成的图像。

9.一种基于卷积神经网络的图像分割装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。