【CN109903292A】一种基于全卷积神经网络的三维图像分割方法及系统【专利】
一种基于卷积神经网络的医学图像分割的方法[发明专利]
![一种基于卷积神经网络的医学图像分割的方法[发明专利]](https://img.taocdn.com/s3/m/b016f5d85727a5e9846a6147.png)
专利名称：一种基于卷积神经网络的医学图像分割的方法专利类型：发明专利
发明人：沈建雄,戎天华,谭海宁,冯尔维
申请号：CN202011529133.X
申请日：20201222
公开号：CN112489068A
公开日：
20210312
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于卷积神经网络的医学图像分割的方法，该方法包括如下步骤：对所述医学图像进行预处理，得到第一图像数据和第二图像数据；基于卷积神经网络模型构造图像分割模型，分别得到第一图像模型和马尔可夫图像模型；对所述第一图像模型进行迭代，根据所述迭代结果训练所述马尔可夫图像模型，最后输出训练后的所述马尔可夫图像模型的图像分割结果。
本发明提供的方法通过引入全连接条件随机场和马尔可夫网络，所述第一图像模型和所述马尔可夫模型都是深度神经网络模型，极大地增强了神经网络的学习能力，建立起原始图像到灰度图像的准确映射，可以提升图像的质量，减少因模糊图像而出现医生判断错误的情况，提高医生对病情的判断。
申请人：中国医学科学院北京协和医院
地址：100070 北京市东城区王府井帅府园1号
国籍：CN
代理机构：北京慧尚知识产权代理事务所(特殊普通合伙)
更多信息请下载全文后查看。
【CN109949321A】基于三维Unet网络的脑部核磁共振图像组织分割方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910233567.6(22)申请日 2019.03.26(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号(72)发明人 高婧婧 (74)专利代理机构 成都正华专利代理事务所(普通合伙) 51229代理人 何凡(51)Int.Cl.G06T 7/11(2017.01)G06N 3/04(2006.01)(54)发明名称基于三维Unet网络的脑部核磁共振图像组织分割方法(57)摘要本发明公开了一种基于三维Unet网络的脑部核磁共振图像组织分割方法，其包括将脑部核磁共振图像导入训练后的三维Unet网络中，并输出三维Unet网络倒数第二层获得的64个三维特征；采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布；将重新分布特征值的三维特征输入至三维Unet网络最后一层的softmax层进行图像分割处理，得到脑部三个组织的分割结果。
本方案通过三维Unet网络和高维矢量非局部均值注意力模型的相互结合，可以使映射后的组织类别完全不受噪声的干扰，从而获得不受噪声影响的全脑组织分割结果。
权利要求书2页 说明书5页 附图2页CN 109949321 A 2019.06.28C N 109949321A1.基于三维Unet网络的脑部核磁共振图像组织分割方法，其特征在于，包括：将脑部核磁共振图像导入训练后的三维Unet网络中，并输出三维Unet网络倒数第二层获得的64个三维特征；采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布；将重新分布特征值的三维特征输入至三维Unet网络最后一层的softmax层进行图像分割处理，得到脑部三个组织的分割结果。
2.根据权利要求1所述的脑部核磁共振图像组织分割方法，其特征在于，所述采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布进一步包括：对三维Unet网络倒数第二层输出的64个三维特征进行归一化处理：其中，为归一化后的第i个三维特征；X i 为三维Unet网络倒数第二层输出第i个三维特征；采用归一化后的三维特征形成四维特征矢量：采用高维矢量非局部均值注意力模型对归一化后三维特征的特征值进行重新分布：其中，为特征值重新分布后的第i个三维特征；C为归一化因子；Ω为整副图像的前景区域；为常数e为底数的对数；为以体素x为中心的邻域灰度值；为以体素y为中心的邻域灰度值；h为滤波参数；F(·)为卷积函数；|.|2为模的平方；为经过归一化后第i个三维特征中位于体素y处的取值，G ρ(y)是四维高斯核函数；对特征值重新分布后的三维特征进行归一化处理，得到最终的重新分布特征值的三维特征：其中，为最终的重新分布特征值的三维特征。
基于全卷积神经网络的图像处理方法及装置[发明专利]
![基于全卷积神经网络的图像处理方法及装置[发明专利]](https://img.taocdn.com/s3/m/94369711aef8941ea66e051d.png)
专利名称：基于全卷积神经网络的图像处理方法及装置专利类型：发明专利
发明人：陈增照,陈少辉,吴珂,徐晓刚,杨泞瑜
申请号：CN201910539949.1
申请日：20190621
公开号：CN110245747A
公开日：
20190917
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于全卷积神经网络的图像处理方法及装置，方法包括：对待处理图像的图像数据进行数据细化，并将数据细化后的待处理图像转换为与三原色对应的单通道灰度图像并进行图像卷积，得到待处理图像的特征图；对待处理图像的特征图进行图像反卷积，以将特征图恢复为与待处理图像分辨率相同且将目标物体的类别标注出来的目标图像。
数据细化使图像中每个像素点的像素值更加精确，在通过卷积提取特征时，可以提取到更多细节特征。
将三通道图像转换为与三原色对应的三个单通道灰度图像进行卷积与直接对三通道图像进行卷积相比能够减少图像特征的损失，从而使最终的图像处理结果更加准确，可以很好的用于处理弱光照条件下的图像。
申请人：华中师范大学
地址：430000 湖北省武汉市洪山区珞喻路152号
国籍：CN
代理机构：北京超凡宏宇专利代理事务所(特殊普通合伙)
代理人：杨奇松
更多信息请下载全文后查看。
基于全卷积神经网络的MR脑肿瘤图像分割方法
基于全卷积神经网络的MR脑肿瘤图像分割方法
杨志成;梁霄
【期刊名称】《计算机应用文摘》
【年(卷),期】2024(40)8
【摘要】MR脑肿瘤图像为临床提供了丰富的信息诊断和生物医学研究资料,通过算法实现MR脑肿瘤图像的自动准确分类对医学分析和解释至关重要。
文章提出了一种全新的方法,以判断用户给定的MR脑肿瘤图像是否正常。
首先,利用小波变换对图像进行特征提取,然后通过主成分分析(PCA)降低特征向量维数,得到新的MR脑肿瘤图像并将其提交至不同核的支持向量机(KSVM)以对比其分类结果和精确度,最终确立分类效果最佳的最优模型。
该方法可在一定程度上为病情诊断提供参考,从而提高诊断精确率并促进相关治疗的开展,进而保障患者的生命健康。
【总页数】4页(P102-104)
【作者】杨志成;梁霄
【作者单位】湖北文理学院数学与统计学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.改进的全卷积神经网络的脑肿瘤图像分割
2.基于3D卷积神经网络的脑肿瘤医学图像分割优化
3.多尺度特征融合全卷积神经网络脑肿瘤MR图像分割
4.基于3D 卷积神经网络的脑肿瘤图像分割
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于全卷积神经网络的肺叶分割方法[发明专利]
![一种基于全卷积神经网络的肺叶分割方法[发明专利]](https://img.taocdn.com/s3/m/4be2750d998fcc22bdd10da2.png)
专利名称：一种基于全卷积神经网络的肺叶分割方法专利类型：发明专利
发明人：姜志强,程国华,何林阳,季红丽,宣琳娜
申请号：CN201811425317.4
申请日：20181127
公开号：CN109636808A
公开日：
20190416
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于全卷积神经网络的肺叶分割方法。
其技术方案包括：构建肺叶分割数据集；获取肺部器官的3D包围框；对肺部3D包围框内的数据进行预处理；将数据块输入到全卷积神经网络中进行训练；将数据块输入到训练好的网络中进行预测。
由于采用全卷积神经网络，实现了端到端的训练和预测，无需人工干预，预测速度快；并且采用在肺包围框内进行分割，剔除了肺部3D 包围框外信息对肺叶分割的干扰，肺叶分割的完整性和细节明显优于传统方法；对于有明显病症的肺部CT数据也能较好地实现肺叶区域分割，从而为进一步定量定性评估肺部病变提供技术支撑。
相比传统算法，本次发明方法明显提高了肺叶分割的精度，实现了全自动肺叶分割。
申请人：杭州健培科技有限公司
地址：310018 浙江省杭州市下沙经济技术开发区3号大街3号
国籍：CN
更多信息请下载全文后查看。
基于全卷积神经网络的图像语义分割方法
专利名称：基于全卷积神经网络的图像语义分割方法专利类型：发明专利
发明人：程建,苏炎洲,林莉,高银星,李恩泽
申请号：CN201810947884.X
申请日：20180820
公开号：CN109101975B
公开日：
20220125
专利内容由知识产权出版社提供
摘要：本发明公开一种基于全卷积神经网络的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建并训练由图像到类别标签的分类模型，并将其作为语义分割模型前端网络；前端网络每个块输出的特征图分别经过细节保留池化层降采样成统一大小，然后将这四个输出特征图串联，并通过特征重校正模块，重新校正特征图后，将得到的特征图传入后端网络；后端网络是主要负责图像上采样，在经过上采样之后，再经过一个变权重的全局池化，最后与训练数据集的语义标注图像计算交叉熵，进行误差反向传播。
本发明解决了现有技术中的图像分割准确率较低的问题。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：成都弘毅天承知识产权代理有限公司
代理人：马林中
更多信息请下载全文后查看。
基于3D卷积神经网络的医学图像分割算法研究
基于3D卷积神经网络的医学图像分割算法研究医学图像分割是医学影像处理中的重要任务之一，它的目标是将医学图像中的不同组织结构或病变区域分割出来，为医生提供更准确的诊断和治疗建议。
传统的医学图像分割方法通常基于手工设计的特征和数学模型，但这些方法往往依赖于人工提取特征，效果不稳定且耗时耗力。
随着深度学习技术的发展，基于3D卷积神经网络（CNN）的医学图像分割算法逐渐成为研究热点。
3D卷积神经网络是一种能够处理三维数据（如三维体素数据）的深度神经网络。
相比于传统方法中基于2D卷积神经网络或2D切片处理方法，3D卷积神经网络能够更好地利用三维数据中丰富的空间信息和上下文信息。
这种特点使得它在医学图像分割任务上具有优势。
在构建基于3D卷积神经网络的医学图像分割算法时，首先需要准备大量标注好的训练数据集。
这些训练数据集通常包括医学图像和对应的分割标签。
医学图像可以是MRI、CT、X射线等多种类型，分割标签是由专业医生手动绘制的。
这些数据集对于训练3D卷积神经网络非常重要，它们可以帮助网络学习到不同组织结构或病变区域的特征。
在网络的构建方面，研究者们通常采用U-Net、V-Net等经典的3D 卷积神经网络结构。
这些网络结构采用了编码-解码结构，其中编码器部分用于提取图像特征，而解码器部分则用于将特征映射回原始图像尺寸，并生成与原始图像尺寸相同的分割结果。
此外，为了进一步提高算法性能和减少过拟合问题，研究者们还引入了一些改进策略，如多尺度输入、残差连接、注意力机制等。
在训练过程中，研究者们通常采用交叉熵损失函数或Dice系数损失函数来度量预测结果与真实标签之间的差异，并通过反向传播算法不断调整网络参数以减小损失函数。
此外，为了提高训练效率和稳定性，研究者们还采用了一些优化技巧，如批量归一化、Dropout、数据增强等。
基于3D卷积神经网络的医学图像分割算法已经在许多医学图像分割任务上取得了优异的效果。
例如，在肺部CT图像分割任务中，研究者们利用3D卷积神经网络成功地将肺部组织和病变区域分割出来，并取得了比传统方法更高的准确率和稳定性。
基于卷积神经网络的图像分割方法
基于卷积神经网络的图像分割方法卷积神经网络（Convolutional Neural Network, CNN）是一种在计算机视觉领域广泛应用的深度学习算法。
它通过模仿人类视觉系统的工作方式，能够对图像进行自动分析和理解。
图像分割是计算机视觉中的一个重要任务，旨在将图像划分为具有语义意义的区域，以便进一步进行对象识别、场景理解和图像编辑等应用。
本文将探讨基于卷积神经网络的图像分割方法，介绍其原理、应用和研究进展。
一、引言图像分割作为计算机视觉领域中的一个重要任务，具有广泛的应用前景。
传统的基于阈值、边缘检测和区域生长等方法在处理复杂场景时存在一定局限性。
而卷积神经网络作为深度学习中最具代表性和有效性的模型之一，在图像分类、目标检测等任务上取得了显著成果。
因此，将卷积神经网络引入到图像分割任务中成为了研究热点。
二、基于卷积神经网络的图像分割方法1. FCN（Fully Convolutional Network）FCN是最早将卷积神经网络引入到图像分割任务中的方法。
它将传统的全连接层替换为全卷积层，使网络能够接受任意大小的输入图像，并输出相同大小的分割结果。
此外，FCN还引入了跳跃连接（skip connection）机制，通过将低层特征与高层特征相结合，提高了分割结果的准确性和细节保留能力。
2. U-NetU-Net是一种用于生物医学图像分割的经典网络结构。
它由一个对称的编码器和解码器组成，其中编码器用于提取图像特征，解码器用于将特征映射重建为与输入图像相同大小的分割结果。
U-Net还引入了跳跃连接机制，并通过使用更多的卷积和上采样操作来增加网络容量，以更好地处理细节。
3. DeepLabDeepLab是一种基于空洞卷积（dilated convolution）改进的图像分割方法。
空洞卷积能够在保持感受野大小不变的情况下增加感受野内信息量，从而提高了对大尺度物体和细节信息的识别能力。
DeepLab还引入了多尺度融合和条件随机场（CRF）等技术，进一步提高了分割结果的准确性和平滑性。
一种基于三维卷积神经网络的图像分割方法及系统[发明专利]
![一种基于三维卷积神经网络的图像分割方法及系统[发明专利]](https://img.taocdn.com/s3/m/a00c4549b0717fd5370cdcde.png)
专利名称：一种基于三维卷积神经网络的图像分割方法及系统专利类型：发明专利
发明人：张彪,付云骁,肖鹏,翟鹏龙,盖阔,任西兵
申请号：CN202110021578.5
申请日：20210108
公开号：CN112767402A
公开日：
20210507
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于三维卷积神经网络的图像分割方法及系统，所述方法包括：获取待分割三维图像数据；将所述待分割三维图像数据输入图像分割模型中，得到分割好的三维图像数据；所述图像分割模型是训练好的三维混合尺度密集连接神经网络；所述三维混合尺度密集连接神经网络是基于空洞卷积和密集连接构建的。
本发明能够使用较少标注数据和计算资源的情况下，快速收敛至较优模型，且能较快速准确地计算图像分割结果，满足准确性和实时性要求。
申请人：北京闭环科技有限公司
地址：100070 北京市丰台区新村三里40-2-402
国籍：CN
代理机构：北京高沃律师事务所
代理人：刘凤玲
更多信息请下载全文后查看。
一种基于卷积神经网络的医学图像分割方法及装置[发明专利]
![一种基于卷积神经网络的医学图像分割方法及装置[发明专利]](https://img.taocdn.com/s3/m/af155e1e7275a417866fb84ae45c3b3567ecdd06.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011455188.0(22)申请日 2020.12.10(71)申请人 深圳先进技术研究院地址 518000 广东省深圳市南山区西丽街道大学城学苑大道1068号(72)发明人 张娜 郑海荣 刘新 申帅 胡战利 梁栋 李烨 邹超 贾森 (74)专利代理机构 北京维正专利代理有限公司11508代理人 任志龙(51)Int.Cl.G06T 7/00(2017.01)G06T 7/10(2017.01)(54)发明名称一种基于卷积神经网络的医学图像分割方法及装置(57)摘要本申请公开一种基于卷积神经网络的医学图像分割数据增强方法及装置，该方法包括：对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；将原始图像和边缘增强的原始图像合并生成多通道图像数据；将获得的多通道图像数据作为输入数据输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得卷积神经网络模型参数，以实现对待测图像按照所述标注数据的类型进行分割。
用于解决相关技术中由于训练样本数量不足导致的网络泛化性能降低，从而导致网络模型测试误差较大甚至失真的问题。
权利要求书3页 说明书11页 附图7页CN 112489029 A 2021.03.12C N 112489029A1.一种基于卷积神经网络的医学图像分割数据增强方法，其特征在于，包括：对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；将原始图像和边缘增强的原始图像合并生成多通道图像数据；将获得的多通道图像数据作为训练样本输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得卷积神经网络训练模型；通过卷积神经网络训练模型对待测图像进行测试以实现对待测图像按照所述标注数据的类型进行分割。
一种基于卷积神经网络的三维立体图识别系统[发明专利]
![一种基于卷积神经网络的三维立体图识别系统[发明专利]](https://img.taocdn.com/s3/m/708c10cf0722192e4436f681.png)
专利名称：一种基于卷积神经网络的三维立体图识别系统专利类型：发明专利
发明人：王子彤,姜凯,秦刚,李朋
申请号：CN201910653153.9
申请日：20190719
公开号：CN110363168A
公开日：
20191022
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于卷积神经网络的三维立体图识别系统，属于人工智能数据处理技术领域。
本发明的基于卷积神经网络的三维立体图识别系统包括输入图像缓存模块、流程控制模块、参数分发模块、卷积与上采样基本单元和深景图像处理模块；所述流程控制模块用于给出控制信号，控制系统工作状态；参数分发模块用于存储并分发卷积神经网络计算所需参数；输入图像缓存模块用于对输入的三维立体图像进行逐像素存储。
该发明的基于卷积神经网络的三维立体图识别系统能够充分提取三维立体图像的深度信息和广度信息，并对原图像中的每个像素分类，达到分离出深景图像的目的，具有很好的推广应用价值。
申请人：山东浪潮人工智能研究院有限公司
地址：250100 山东省济南市高新区浪潮路1036号浪潮科技园S05楼北六层
国籍：CN
代理机构：济南信达专利事务所有限公司
代理人：姜明
更多信息请下载全文后查看。
一种基于三维全卷积神经网络的前列腺MRI分割方法[发明专利]
![一种基于三维全卷积神经网络的前列腺MRI分割方法[发明专利]](https://img.taocdn.com/s3/m/e8be6fe6844769eae109ed5d.png)
专利名称：一种基于三维全卷积神经网络的前列腺MRI分割方法
专利类型：发明专利
发明人：戴国骏,方俊鹏,周文晖,张桦,严嘉浩,陶星
申请号：CN201711204994.9
申请日：20171127
公开号：CN107886510A
公开日：
20180406
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于三维全卷积神经网络的前列腺MRI分割方法。
本发明利用一种三维全卷积神经网络学习前列腺MRI图像的特征，并对MRI图像进行逐体素的分类，最终获得MRI图像的分割图像。
网络中使用到的三维卷积核能够有效地学习到三维图像的空间结构特征，并且全卷积结构的深度网络只需要一次前馈计算就能够得到最终的结果，相比于提取Patch后针对Patch单独运行卷积网络的结构，在速度上要大大提升，而且单个神经元的感受野更大更有利于对全局信息的特征学习，能够更好地进行分割任务。
申请人：杭州电子科技大学
地址：310018 浙江省杭州市下沙高教园区2号大街
国籍：CN
代理机构：杭州奥创知识产权代理有限公司
代理人：王佳健
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本发明公开了一种基于全卷积神经网络的 三维图 像分割方法及系统 ，包括以 下步骤 ：步骤 1，采集获取序列图像并进行标注，获得训练样本 数 据 ；步骤2 ，将步骤1获得的 训练样本数 据进行 归一化预处理 ；步骤3 ，应 用步骤2处理 后的 样本 数据对预构建的3-D全卷积残差U-net网络模型 进行有监督的 训练 ，训练至预设收 敛条件 ，获得 训练好的三维图像分割模型 ；步骤4 ，将待分割的 序列图 像数 据归一化处理 后 ，输入步骤3 训练好 的三维图像分割模型中 ，获得序列图像分割结 果。本发明可充分 利 用序列的 连续性 信息 ，能 够 在三维图像分割中获得一个相对较好的结果。
2
CN 109903292 A
权 利 要 求 书
2/2 页
U-net网络模型进行有监督的 训练 ，训练至预设收 敛条件 ，获得 训练好的 三维图 像分 割模 型；归一化处理 后 ，输入模型分 割模块 训练 好的三维图像分割模型中，并输出序列图像分割结果。
权利要求书2页 说明书7页 附图1页
CN 109903292 A
CN 109903292 A
权 利 要 求 书
1/2 页
1 .一种基于全卷积神经网络的三维图像分割方法，其特征在于，包括以下步骤： 步骤1，采集获取序列图像并进行标注，获得训练样本数据； 步骤2，将步骤1获得的训练样本数据进行归一化预处理； 步骤3，应用步骤2处理后的样本数据对预构建的3-D全卷积残差U-net网络模型进行有 监督的训练，训练至预设收敛条件，获得训练好的三维图像分割模型； 步骤4 ，将待分 割的 序列图 像数 据归一化处理 后 ，输入步骤3 训练好的 三维图 像分 割模 型中，获得序列图像分割结果。 2 .根据权利要求1所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 步骤1中 ，使 用图 像 勾画工具 ，将感兴趣区域从整张 序列图 像中画出来 ，作为机器学习的标 签；在二维平面上对序列图像进行标注，全部标注完成后，再将其合并为三维图像。 3 .根据权利要求1所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 步骤2的归一化预处理具体包括： (1)从原始序列图像中获取三维图像灰度矩阵 ； (2)将三维图像灰度矩阵的像素灰度值归一化在0-1之间； (3)将步骤2归一化后的图像的三维像素间距都归一化至预设值。 4 .根据权利要求1所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 步骤3中构建的3-D全卷积残差U-net网络模型分为编码器、解码器和注意力连接三个模块； 其中包括卷积、池化、ReLU、批标准化和反卷积操作。 5 .根据权利要求4所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 步骤3中构建的3-D全卷积残差U-net网络模型共有8个残差块；编码器阶段包括4个下采样 残差块 ，每一次卷积操作后特征图的 大小不变 ，每一次 池化操作后特征图的 大小变为原来 的1/2，使用ReLU作为非线性激活函数，用于增加网络的非线性表达能力；加入批正则化，用 于加速网络收敛且 用于防 止网络太深时 梯度爆炸或 消失 ；解码器阶段包括4个上采样残差 块，每一次反卷积操作后特征图的大小变为原来的2倍；使用注意力连接机制将编码器中的 低维信息与解码器中的高维信息拼接起来，用于获取为分割提供更加精细的特征。 6 .根据权利要求1所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 在步骤3进行有监督的模型训练过程中，加入随机剪切、翻转、随机平移、对比度增强以及弹 性变换中的一种或多种数据增广操作； 在训练过程中，使用Adam方法更新参数，损失函数选择交叉熵函数，并加入难例挖掘。 7 .根据权利要求1所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 还包括： 步骤5，使用条件随机场方法对获得的分割结果进行优化处理。 8 .根据权利要求7所述的一种基于全卷积神经网络的三维图像分割方法，其特征在于， 步骤5具体包括：使用条件随机场方法对分割结果进行平滑去噪处理，最后将分割结果在序 列图像中框取出来，并确定分割结果的中心点坐标以及长、宽、高。 9 .一种基于全卷积神经网络的三维图像分割系统，其特征在于，包括： 样本采集模块，用于采集获取序列图像并进行标注，获得训练样本数据； 归一化预处理模块，用于将样本采集模块获得的训练样本数据进行归一化预处理； 模型分 割模块 ；应 用归一化预处理模块处理 后的 样本数 据对预构建的 3-D全卷积残差
3
CN 109903292 A
说 明 书
1/7 页
一种基于全卷积神经网络的三维图像分割方法及系统
技术领域 [0001] 本发明属于三维序列图像分割技术领域，特别涉及一种基于全卷积神经网络的三 维图像分割方法及系统。
背景技术 [0002] 在图像处理领域，一般包括图像分割、配准、融合和三维重建过程。在图像分割领 域，现有的技术主要是通过对一个序列中每层图像进行分析，通过传统图形学手段、机器学 习方法和深度学习方法等，在二维平面上进行分割，然后再进行三维图像融合，从而实现三 维图像分割。通过现有方法进行的图像序列分割，一般只考虑到二维层面上像素之间的关 系，而忽略了每一层图像间的连续性，因而会损失较多上下文信息。 [0003] 例如，传统的基于阈值分割的算法原理简单，通过手动遍历选取最佳阈值实现图 像分割；但是其计算过程复杂，且容易受到噪声干扰，鲁棒性较差。基于边缘检测的算法，是 先检测图中边缘点，再按一定策略连接成轮廓，从而构成分割区域；其缺点在于抗噪性与检 测精度的矛盾，因此得到的分割经常是断续的、不完整的结构信息。 [0004] 综上，亟需一种新型的三维图像分割方法。
(74)专利代理机构 西安通大专利代理有限责任 公司 61200
代理人 徐文权
(51)Int .Cl . G06T 7/11(2017 .01) G06N 3/04(2006 .01)
(10)申请公布号 CN 109903292 A (43)申请公布日 2019.06.18
( 54 )发明 名称 一种基于全卷积神经网络的三维图像分割
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910067705 .8
(22)申请日 2019 .01 .24
(71)申请人 西安交通大学 地址 710049 陕西省西安市咸宁西路28号
(72)发明人 钱步月 刘小彤 张寅斌 张先礼 李扬 尹畅畅 陈欣 郑庆华