[发明专利]基于循环残差卷积神经网络的医学图像分割方法和装置

权利要求书

1.一种基于循环残差卷积神经网络的医学图像分割方法，其特征在于，包括：

(1)获取数据集，并将医学图像和对所述医学图像标准分隔后的第一基准真值图像组成图像对作为样本，构建样本集；

(2)基于嵌入残差卷积模块的U-net神经网络，构建医学图像分隔训练系统，包括两个部分，第一部分为用于提取多尺寸医学图像特征信息的编码器，第二部分为用于将多尺寸医学图像特征信息进行融合得到清晰医学分隔图像的解码器；

(3)构建医学图像分隔训练系统的损失函数，根据医学分隔图像和第一基准真值图像的交叉熵构建训练系统的损失函数；

(4)利用样本集，采用损失函数对医学图像分隔训练系统进行训练，训练结束时，提取确定参数的解码器和编码器作为医学图像分隔模型；

(5)应用时，将带有第二基准真值图像的医学图像输入至医学图像分隔模型中，经计算输出清晰医学分隔图像。

2.根据权利要求1所述的基于循环残差卷积神经网络的医学图像分割方法，其特征在于，所述的编码器利用多个编码层实现对输入的医学图像逐层特征分解得到多尺寸医学图像特征信息，所述编码层包括残差卷积模块，用于将输入的医学图像或浅层编码层输入的第一医学图像特征信息进行特征提取，然后将特征提取结果输入至池化层得到第二医学图像特征信息，并将第二医学图像特征信息输入至下层编码层。

3.根据权利要求2所述的基于循环残差卷积神经网络的医学图像分割方法，其特征在于，所述的残差卷积模块，包括多个带有Relu非线性激活函数的循环卷积模块，所述循环卷积模块用于对输入医学图像提取低级特征信息，然后将所述低级特征信息，输入的医学图像或浅层编码层输入的第一医学图像特征信息进行残差连接得到第二医学图像特征信息。

4.根据权利要求1所述的基于循环残差卷积神经网络的医学图像分割方法，其特征在于，所述的解码器利用多个解码层实现对多尺寸医学图像特征信息的融合得到清晰医学分隔图像，其中，所述解码层用于将多尺寸医学图像特征信息和下层解码层输入的第一分割医学图像进行融合得到第二分割医学图像，并将第二分割医学图像输入至浅层解码层。

5.根据权利要求1或4所述的基于循环残差卷积神经网络的医学图像分割方法，其特征在于，所述的解码层包括全尺寸跳跃连接，残差反卷积模块和池化层，全尺寸跳跃连接用于将编码层输入的多尺度医学特征信息和下层解码层输入的第一分割医学图像进行融合得到融合特征图像，然后将融合特征图像发送至残差反卷积模块，残差反卷积模块用于将输入融合特征图像进行还原，将还原结果发送至池化层得到与对应编码层输入的第一医学图像特征信息相同尺寸的第二分割医学图像。

6.根据权利要求5所述的基于循环残差卷积神经网络的医学图像分割方法，其特征在于，所述的全尺寸跳跃连接用于将编码层输入多尺度医学特征信息和下层解码层输入的第一分割医学图像进行特征融合具体步骤为：

将第一编码层输入的图像特征信息直接连接至第一解码层，所示第一编码层与第一解码层相对应；

将第二编码层输入的图像特征信息，采用非重叠的最大池方法跳跃连接至第一解码层，所述第二编码层位于第一编码层的浅层；

将解码器内的第二解码层输入的第一分割医学图像通过双线性插值方法连接至所述第一解码层，所述第二解码层位于第一解码层的下层；

通过多个前向卷积层将输入的多尺度医学特征信息和第一分割医学图像的通道数进行统一，然后将统一结果输入至批量归一化和Relu非线性激层得到融合特征图像。

7.根据权利要求1所述的基于循环残差卷积神经网络的医学图像分割方法，其特征在于，对训练系统进行训练时，优化器采用adam，初始学习率设置为0.0002，然后每70个epoch衰减0.000003倍。