[发明专利]基于3D卷积神经网络的脑血管分割方法

摘要

本发明公开了一种基于3D卷积神经网络的脑血管分割方法，该方法涉及机器学习、模式识别、图像处理等领域。该方法首先将标记好的脑血管造影图像按序堆叠成3维矩阵，对于其中的血管点取25×25×25大小的patch，然后再随机相同数量、相同大小的非血管点patch，得到训练数据。之后将训练数据输入到3D卷积神经网络用于训练，得到训练模型。然后将实际的血管造影序列图像的每个像素点取25×25×25大小的patch，输入到模型中，得到分类标签，在将分类标签拉伸为相同大小的图像，即为分割血管图像。该方法具有准确率高、泛型程度好的效果。

主权项

本发明一种基于3D卷积神经网络的分类方法，主要包括两个阶段：训练阶段和预测阶段。步骤一：首先对脑血管造影图像中的血管点做好标签，然后将标记好的图像堆叠成3维矩阵，取25×25×25的patch作为样本；步骤二：输入训练样本，对该样本进行归一化处理，然后进行神经网络的训练；步骤三：在第一层设置20个卷积核，每个卷积核大小为6×6×6，并采用全连接方式与输入层相连进行卷积，得到20个大小为20×20×20的特征map；步骤四：对第一层的各个特征map进行空间上的下采样，采样单元为2，得到20个大小为10×10×10的特征map，即为第二层；步骤五：对第二层的各个特征map采用5×5×5大小的3D卷积核进行3D卷积，输出为40个大小为6×6×6的特征map，连接方式采用全连接，此为第三层；步骤六：对第三层的各个特征map进行空间上的下采样，采样单元为2，得到40个大小为3×3×3的特征map，即为第四层；步骤七：对第四层的各个特征map采用3×3×3大小的3D卷积核进行3D卷积，输出为80个大小为1×1×1的特征map，连接方式采用全连接，此为第五层；步骤八：将第五层的各个特征map拉伸成维度为80的特征向量，然后对该特征向量左乘一个128×80的随机参数矩阵，得到一个128维的特征向量，此为第六层；步骤九：将第六层得到的特征向量输入进一个Logistic Regression分类器，输出为一个0到1的浮点数，表示输入样本中心是血管点的概率，此为第七层；步骤十：通过BP(反向传播)算法对每一层的计算参数进行调整，使最终预测标签和训练标签的误差函数最小，得到训练模型。