本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理;然后,对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强;接着,搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构,针对图像数量较少的数据集设计留一法(leave‑one‑out)训练方法;最后,通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪,得到轻量级全卷积神经网络,并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势,又提高了图像分割网络的测试速度。
1.一种基于轻量级全卷积神经网络的医学图像分割方法,其特征在于,包括以下步骤:步骤1:对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理;步骤2:针对训练集随机提取patch图,首先设定patch图的宽和高,然后随机地选取像素点作为patch的中心;步骤3:搭建由左侧收缩路径和右侧扩张路径组成的全卷积神经网络;步骤4:针对步骤3中搭建好的全卷积神经网络,使用dice_loss计算预测值y和期望值y'的相似度,其中dice_loss的定义如下:步骤5:结合步骤4中的损失函数,针对图像数量较少的数据集使用留一法进行交叉验证;步骤6:加载步骤5中得到的预训练网络模型,通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道,以及微调裁剪后的网络完成BN通道模型裁剪,得到轻量级全卷积神经网络;最后,加载步骤1中的测试图像数据到该网络中,快速测试完成图像分割。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2312448.html,转载请声明来源钻瓜专利网。