一种基于稠密卷积模型的医学图像分割与肿瘤检测方法，设备及可读存储介质与流程

技术特征：

1.一种基于稠密卷积模型的医学图像分割与肿瘤检测方法，其特征在于，方法包括：

步骤一，将肿瘤图像进行相似块标记处理；

步骤二，对肿瘤图像进行特征重构处理；

步骤三，将特征重构的肿瘤图像执行稠密块优化；

步骤四，对优化后的肿瘤图像进行特征融合。

2.根据权利要求1所述的检测方法，其特征在于，

步骤一还包括：

1)在原始图像z^2d中查找相似块y^2d

在原始图像z^2d中选择t个k×k大小的参照块x^2d；

采用步长s确定x^2d,并在x^2d的周围选择大小为n×n的区域搜索相似块y^2d,将相似度大于阈值λ^2d的y^2d与x^2d整合为相似块集合z^3d；.

通过如下方式，对x^2d与y^2d采用标准化硬阈值二维线性变换进行计算,并根据欧氏距离判定就可以找到z^3d,

z^3d＝{x∈z^2d:d(y^2d,x^2d)≤τ},(2)

其中ω是二维线性变换的硬阈值操作,阈值设为σ^2d,λ是归一化后的二维线性变换,阈值设为λ^2d,d(y^2d,x^2d)为二次计算后的距离,x表示像素点,τ是超参数,它能确定块与块之间是否相似。

3.根据权利要求2所述的检测方法，其特征在于，

步骤一还包括：

对相似块集合z^3d域转换的方式进行改良特征提取,并采用标准化硬阈值三维线性变换；

处理后的相似块集合r^3d为:

r^3d＝δ^-1(υ(δ(z^3d))),(3)

其中δ为归一化三维线性变换,δ^-1是δ的反变换,υ是三维线性变换硬阈值操作,阈值设为λ^3d。

4.根据权利要求2所述的检测方法，其特征在于，

步骤二还包括：

对域转换处理后的相似块集合r^3d按照规则ζ丢弃j个相似块y^2d；

被丢弃的j个相似块y^2d称为rj；

丢弃规则ζ定义为:随机取[0,τ)内的l个数,将其按照从小到大的顺序排列,记为(a1,a2,a3,…,al),其中τ即为相似块标记模块的超参数τ,选取r^3d中所有与其参照块x^2d相似度满足区间((a1,a2),(a3,a4),…,(al-1,al))的相似块y^2d(记作rj),最后将rj丢弃。

5.根据权利要求4所述的检测方法，其特征在于，

对相似块集合r^3d按照规则ξ随机增加i个相似块y^2d,增加像素信息；

增加的i个相似块y^2d被称为ri；

随机取[0,τ)内的m个数并从小到大排列,记为(b1,b2,b3,…,bm),选取增加相似块的过程与规则类似,表示为ξ；

随机丢弃与快速标标记，得到了新处理块集合:

对相似块集合q按照规则ζ随机增加h个图像块rh。

6.根据权利要求5所述的检测方法，其特征在于，

规则ζ定义为：

将原始图像z^2d裁减掉大小的边框,记作z’；

随机取范围在z’内的f个像素点坐标点后按照从小到大的顺序排列,配置为坐标集合记为(c1,c2,c3,…,cf-1,cf),随后分别以所述坐标集合内的所有元素作为中心像素点选取大小为n×n的图像块,将图像块集合记为rh,对q增加rh；

通过标签标记对肿瘤图像进行标记，并由筛选函数定义肿瘤图像数目；筛选函数为：

其中y是所有ct肿瘤图像数目,φ(y)为选取的ct肿瘤图像数目,κ与ψ是常数；

标签标记方式如公式(6)所示：

其中w是该模块输入到下一模块的最终结果。

7.根据权利要求1或2所述的检测方法，其特征在于，

稠密块优化采用全连接结构对特征进行判定,由低维特征直接连接高维特征,将传入的w进行特征深度挖掘,以求学习出有效的肿瘤特征；

将稠密块激活函数relu修改为selu,并为每个稠密块增添最大池化层,利用稠密块特征重用与连接机制,抽象提取深层肿瘤特征；

设wg是稠密块第g(g＞1)层的输出,包含传入的多个维度的肿瘤特征；

稠密块以层与层之间连接，迭代连接出所有特征,第g层输出wg的公式为:

wg＝hg([wg-1,wg-2,…,w0]),(7)

其中[…]表示连接操作,对输出连接进行特征重用；

hg定义为:一个批量标准化层,后接selu激活函数再加卷积层与池化层；

selu的公式为：

selu激活函数在特定参数υ和α下,其能自动归一化到0均值和单位方差。

8.根据权利要求1或2所述的检测方法，其特征在于，

步骤四还包括：

将经过相似块标记处理以及稠密块优化处理的肿瘤图像传入分类标记器中,进行特征重建时,利用相似块标记采集的大特征、稠密块中提取的肿瘤特征以及其他特征等进行数据重建；

分类标记器进行ct图像像素级重建,并进行特征融合；

特征融合方法包括：

在像素级对应块上进行加权平均,权重取决于置0的数目；

将对应块加权平均后整合到初始位置,得到最终标记图像；

计算公式如下:

其中w是权重,是xu∈wg,xv∈z^2d时x初始位置,是对于z二维与三维之间x对应定位关系,权重w计算公式为:

其中nv是公式(1)硬阈值操作后非0系数个数；

经过分类标记器与特征融合过程后,最终输出肿瘤标记图像。

9.一种实现基于稠密卷积模型的医学图像分割与肿瘤检测方法的设备，其特征在于，包括：

存储器，用于存储计算机程序及基于稠密卷积模型的医学图像分割与肿瘤检测方法；

处理器，用于执行所述计算机程序及基于稠密卷积模型的医学图像分割与肿瘤检测方法，以实现如权利要求1至8任意一项所述基于稠密卷积模型的医学图像分割与肿瘤检测方法的步骤。

10.一种具有基于稠密卷积模型的医学图像分割与肿瘤检测方法的可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至8任意一项所述基于稠密卷积模型的医学图像分割与肿瘤检测方法的步骤。

技术总结
本发明提供一种基于稠密卷积模型的医学图像分割与肿瘤检测方法，设备及可读存储介质，本发明对稠密卷积网络进行了改进,提出了一种面向肿瘤分割和检测的稠密卷积模型来进行医学图像分割与肿瘤检测。本发明采用相似块分组技术对图像进行特征提取,然后使用SELU激活函数替换ReLU优化负数部分特征,利用稠密块结构学习不同层特征映射并将其串联起来,同时加入最大池化进行二次提取特征。最后采用相似度聚合方法进行特征重构,充分挖掘图像像素级的空间结构关系。最后,采用聚合方法进行区域融合。采用多个评价指标:均交并比、均像素精度、平均精度等,并均表现出一定的优势。在医学图像优化上具有良好的鲁棒性。

技术研发人员：刘慧;姜迪;张中兴;于晓
受保护的技术使用者：山东财经大学
技术研发日：2020.04.09
技术公布日：2020.07.31