[发明专利]一种基于卷积神经网络的图像处理方法和系统

权利要求书

1.一种基于卷积神经网络的图像处理方法，其特征在于该方法包括以下步骤：

(1)将数据集中的MRI三维图像进行预处理，得到二维图像；

(2)采用堆叠分割算法对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；

(3)构建ResNet50-II卷积神经网络，将分割后的含有感兴趣区域的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；

(4)训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类；

步骤(2)中，分割算法包括如下步骤：

构建改进的U-Net网络：在U-Net网络的编码和解码的过程中只执行四个下采样和四个上采样操作，每次下采样之前，只执行一个卷积操作，并保留编码和解码之间的Crop操作；

将改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络；

在堆叠网络内建立桥梁：长跳连接和向上连接；

其中，长跳连接连接所有基本块，一端是原始输入图像，另一端是每一个基本块的输入层；每个基本块的向下采样期间，每个图层在池化之前连接到上一个基本块的同一级别要素；

步骤(3)中，构建ResNet50-II卷积神经网络包括：

将ResNet50网络中stage1中的7×7的卷积层替换为多尺寸卷积核模块；多尺寸卷积核模块对于给定输入特征图分别经1×1卷积、1×1卷积和3×3卷积、1×1卷积和5×5卷积以及1×1卷积和3×3最大值池化处理，处理后的图像再经Add函数合并输出特征；

将ResNet50网络中的单一池化层改为双通道池化结构；双通道池化结构对于给定输入特征图同时分别经过3×3最大值池化和3×3平均池化处理，再通过Add函数将处理结果合并输出。

2.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于：步骤(1)中，预处理包括：将MRI三维图像按照二分位断层位界面切成二维图像，再进行标准化归一化裁剪处理。

3.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于：步骤(3)中，将分割后图像的像素大小均调整为224×224，按照8:2的比例分成训练集和测试集。

4.一种基于卷积神经网络的图像处理系统，其特征在于包括：

预处理模块，用于对数据集中的MRI三维图像进行预处理，获取二维图像；

分割模块，用于对预处理后的二维图像进行分割，分割后得到感兴趣区域的图像；

ResNet50-II卷积神经网络模块，用于将分割后的含有感兴趣区域的图像分成训练集和测试集，将训练集中的图像输入到ResNet50-II卷积神经网络进行训练；训练完成后，将测试集的图像输入ResNet50-II神经网络进行分类，并输出结果；

其中，分割模块构建方法包括如下步骤：

构建改进的U-Net网络：在U-Net网络的编码和解码的过程中只执行四个下采样和四个上采样操作，每次下采样之前，只执行一个卷积操作，并保留编码和解码之间的Crop操作；

将改进的U-Net网络作为基本块，堆叠多次形成堆叠分割网络；

在堆叠网络内建立桥梁：长跳连接和向上连接；

其中，长跳连接连接所有基本块，一端是原始输入图像，另一端是每一个基本块的输入层；每个基本块的向下采样期间，每个图层在池化之前连接到上一个基本块的同一级别要素；

ResNet50-II卷积神经网络模块构建方法包括：

将ResNet50网络中stage1中的7×7的卷积层替换为多尺寸卷积核模块；多尺寸卷积核模块对于给定输入特征图分别经1×1卷积、1×1卷积和3×3卷积、1×1卷积和5×5卷积以及1×1卷积和3×3最大值池化处理，处理后的图像再经Add函数合并输出特征；

将ResNet50网络中的单一池化层改为双通道池化结构；双通道池化结构对于给定输入特征图同时分别经过3×3最大值池化和3×3平均池化处理，再通过Add函数将处理结果合并输出。