[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

说明书

本发明提出了一种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。该可扩张卷积神经网络训练方法为：对原始图像进行下采样获得不同尺度的训练样本，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。采用这种大尺寸数据训练过程依赖小尺寸数据训练结果的训练方式，构成多步骤训练的级联关系，能够显著的加快网络模型的训练速度，不需要额外准备预训练数据，训练过程适用于各种不同维度的网络模型，且能够在不使用预训练模型的前提下提升网络模型的分割精度。

技术领域

本发明涉及机器学习领域，具体涉及一种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。

背景技术

CT影像分析在当今临床医学的诊断和治疗过程中有着至关重要的作用。随着CT照相技术和相应的算法性能的提升，临床医生对CT影像分析的依赖与日俱增。然而CT影像诊断具有较强的专业性，即使很简单的影像判读也需要专业的影像医师花费较长的时间完成CT图像分析、勾画、最终形成报告。人工操作使得CT诊断的经济成本和时间成本难以进一步降低。在CT影像诊断流程中目标勾画是影像诊断的基本依据也是诊断报告的重要组成部分。随着计算机视觉算法性能的提升，研究者尝试使用图像分割算法来替代人工目标勾画。特别是基于卷积神经网络模型的高性能图像分割算法的应用，越来越多的医生和研究者意识到基于计算机算法的自动CT影像分割方法能够进一步加快CT影像目标勾画和诊断速度进而降低成本，这使得基于机器视觉算法的CT影像分割算法具有很强的临床应用及转化价值。

以胰腺分割为例，当下胰腺分割性能最好的方法是基于卷积神经网络的分割模型。现有的胰腺分割网络模型结构越来越复杂，参数规模越来越大。更多的参数有利于像素分类问题的求解，能够解决更加复杂的像素分类问题，从而实现更加精细的目标分割。但网络规模的扩大也会导致网络训练的困难。缺乏适当训练方法的大规模网络模型非常容易过拟合。其表现为在训练集上具有非常好的分割效果，但在测试集上容易发生严重的误分割。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种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。

为了实现本发明的上述目的，本发明提供了一种可扩张卷积神经网络训练方法，对原始图像进行下采样获得不同尺度的训练样本，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。

采用这种大尺寸数据训练过程依赖小尺寸数据训练结果的训练方式，构成多步骤训练的级联关系，能够显著的加快网络模型的训练速度，不需要额外准备预训练数据，训练过程适用于各种不同维度的网络模型，且能够在不使用预训练模型的前提下提升网络模型的分割精度。

该可扩张卷积神经网络训练方法的优选方案：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；

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。

优选的，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。

优选的，图像下采样方法为：