[发明专利]可扩张卷积神经网络训练方法及CT影像分割模型构建方法

权利要求书

1.一种CT影像分割模型构建方法，其特征在于，包括以下步骤：

采集CT影像，并随机分为训练集、验证集和测试集；

搭建卷积神经网络；

分割模型训练，训练过程为：

对原始图像进行下采样获得不同尺度的训练样本，获得的不同尺度训练样本包括1/4尺寸的训练样本、1/2尺寸的训练样本和原始尺寸训练样本；将所述训练样本按尺寸从小到大先后于可扩张卷积神经网络中进行卷积计算并训练可扩张卷积核参数；每种尺寸的训练样本训练完成后，扩张可扩张卷积核，并继承前次训练得到的结果对可扩张卷积核进行精细训练；

具体地，

所述可扩张卷积核在1/4尺寸的训练样本中进行3×3的卷积计算并训练可扩张卷积核参数；

当可扩张卷积核在1/4尺寸的训练样本中完成训练后，可扩张卷积核放大2倍继承在1/4尺寸的训练样本中训练得到的结果，并在1/2尺寸的训练样本中进行6*6的卷积计算并训练可扩张卷积核参数；

当可扩张卷积核在1/2尺寸的训练样本中完成训练后，可扩张卷积核再放大2倍继承在1/2尺寸的训练样本中训练得到的结果，并在原始尺寸训练样本中进行12*12的卷积计算并训练可扩张卷积核参数；

分割模型验证。

2.根据权利要求1所述的CT影像分割模型构建方法，其特征在于，可扩张卷积核与训练样本尺寸同比例放大。

3.根据权利要求1所述的CT影像分割模型构建方法，其特征在于，对原始图像下采样以及可扩张卷积核上采样都是以整数为倍数。

4.根据权利要求1所述的CT影像分割模型构建方法，其特征在于，：

图像下采样方法为：

首先通过高斯平滑过滤图像噪声，高斯卷积核为：其中，s、t分别为卷积位置坐标，u为高斯函数方差，高斯卷积平滑的图像x_s,u(i,j)＝g(i,j,u)*x(i,j)，其中，x为被分割图像，i、j为x_s,u与x的坐标，i∈[0,N],j∈[0,M]；

之后对平滑的图像下采样：x_1/n(i_1/n,j_1/n)＝x_s(ni_1/n,nj_1/n)，其中，i_1/n、j_1/n为下采样图像x_1/n中的坐标，n为放大倍数。

5.根据权利要求1所述的CT影像分割模型构建方法，其特征在于，可扩张卷积核的扩张算法为：

将扩张n倍的可扩张卷积核记为K_n(s,t)，K为原始尺寸的卷积核，可扩张卷积核扩张仅在卷积核每一个通道内，通道数不变。