[发明专利]一种基于机器学习的三维超声图像分割方法

权利要求书

1.一种基于机器学习的三维超声图像分割方法，其特征在于，包括如下步骤：

步骤一，将标注好M种类别的二维超声图像作为机器学习的初始样本，在多组二维图像中分别对不同类别的区域进行采样，选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；

步骤二，构建卷积神经网络作为分类器，以训练集中每组样本的图像片段作为输入，像素点实际代表的类别作为标签，训练卷积神经网络；

步骤三，使用步骤二中训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；

步骤四，调整卷积神经网络的参数，多次重复步骤二到三，最终选取生成最优的结果一组参数作为分类器的参数；

步骤五，将待处理的三维超声图像，切分为相互平行等间距的N组二维切面图像；

步骤六，使用训练好的分类器，处理步骤五中切分好的N组图像，将图像中每个像素点分割为不同类别，以此实现对三维超声图像的分割。

2.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤一中的特征像素点的实际类别可用数字表示，设需要分割的区域有M种类别，则可以用0到M-1的数字分别表示，然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量。

3.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤二中的卷积神经网络包括输入层、三层卷积和池化层、全连接层和输出层。

4.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤二中的卷积神经网络中的卷积层和全连接层使用ReLU作为激活函数，输出层使用Softmax作为回归模型进行分配概率。

5.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤三中使用交叉熵作为卷积神经网络的成本函数：

其中y是我们预测的概率分布，y′是实际的分布，log是对数函数。

6.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤二中的卷积神经网络用来最小化成本函数的反向传播算法使用Adam算法，这是一种基于一阶梯度来优化随机目标函数的算法。

7.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤三中的性能评估需要在测试集上进行，神经网络最终输出结果是M维向量形式，最大值所在的索引位置即为类别标签，将计算出的类别与实际类别相比较，计算两者一致的比例即为正确率，以此评估分类器的性能。

8.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤四中可调整的神经网络参数包括样本数量、卷积层的通道数量和窗口大小、池化层窗口大小和全连接层神经元数量。