【技术实现步骤摘要】
基于RN
‑
DoubleU
‑
Net网络的乳腺腺管区域图像分割方法
[0001]本专利技术属于图像处理
，具体涉及到乳腺腺管区域图像的分割。
技术介绍
[0002]图像分割是指将图像中对人们有意义的区域或者目标检测出来；随着智能设备的普及以及大数据时代的到来，人们正产生、存储和使用大量的图片，图像分割技术能帮我们进一步识别和分析图片。利用深度学习技术进行图像分割展现出了更加强大的性能，深度学习技术通过不断的训练，分割出图像的特征，从而把人们感兴趣的区域保留下来。因此，深度学习技术在图像分割领域有着广泛的研究价值和意义。
[0003]目前已研究出很多应用于图像分割的深度学习方法，比如U
‑
Net网络，以及对U
‑
Net网络改进的各种方法。U
‑
Net网络对乳腺腺管区域的分割检测效果不明显，而且十分的不稳定；U
‑
Net网络对于普通细胞的分割检测效果明显，但是对乳腺腺管区域的分割效果还有待改进；对U
‑
Net网络改进的方法比如DoubleU
‑
Net网络，对于乳腺腺管区域的分割检测精度较之U
‑
Net网络精度高，但也没有达到一定的要求。
技术实现思路
[0004]本专利技术所要解决的技术问题在于克服上述现有技术的缺点，提供一种分割区域准确、精度高、分割检测速度快的基于RN
‑
DoubleU
‑
Ne
【技术保护点】
【技术特征摘要】
1.一种基于RN
‑
DoubleU
‑
Net网络的乳腺腺管区域图像分割方法，其特征在于由下述步骤组成：(1)数据集预处理取乳腺腺管区域数据集图片398张，图片大小为2000
×
2000像素；1)将乳腺腺管区域数据集像素值归一化到[0,1]，切分成尺寸为512
×
512像素的图片；2)将切分后的数据集按8：1：1的比例分为训练集、验证集、测试集；(2)构建RN
‑
DoubleU
‑
Net网络模型RN
‑
DoubleU
‑
Net网络模型由第一Unet子网络和第二Unet子网络连接构成，第一Unet子网络的输出与第二Unet子网络的输入相连；第一Unet子网络由第一子网络编码器、第一子网络空洞卷积、第一子网络解码器依次串连构成，第二Unet子网络由第二子网络编码器、第二子网络空洞卷积、第二子网络解码器依次串连构成；(3)训练RN
‑
DoubleU
‑
Net网络1)确定目标函数目标函数包括损失函数L
dice
和评价函数F1，按下式确定损失函数L
dice
：其中，X表示真实值，X∈{x1,x2,...x
n
}，Y表示预测值，Y∈{y1,y2,...y
n
}，n是元素的个数、为有限的正整数；按下式确定的评价函数F1：按下式确定的评价函数F1：按下式确定的评价函数F1：其中，P是精准率，P∈[0,1],R是召回率，R∈[0,1]，T是真阳性，T∈[0,1]，F是假阳性，F∈[0,1],N是假阴性，N∈[0,1]，且P、R、T、F、N不同时为0；2)训练RN
‑
DoubleU
‑
Net网络将训练集送入到RN
‑
DoubleU
‑
Net网络中进行训练，在训练的过程中，RN
‑
DoubleU
‑
Net网络的学习率γ∈[10
‑5,10
‑3]，优化器采用自适应矩的估计优化器，迭代至损失函数收敛；(4)保存模型在训练RN
‑
DoubleU
‑
Net网络的过程中，用深度学习框架不断更新权重，保存权重文件；(5)验证RN
‑
DoubleU
‑
Net网络将验证集输入到RN
‑
DoubleU
‑
Net网络中进行验证；(6)测试RN
‑
DoubleU
‑
Net网络将测试集输入到RN
‑
DoubleU
‑
Net网络中进行测试，加载保存的权重文件，得到乳腺腺管区域图像。2.根据权利要求1所述的基于RN
‑
DoubleU
‑
Net网络的乳腺腺管区域图像分割方法，其
特征在于：在(2)构建RN
‑
DoubleU
‑
Net网络模型的步骤中，所述的第一子网络编码器为深度学习框架中的VGG19网络，VGG19网络由串联的16个编码卷积层构成，VGG19网络的编码卷积层的编码卷积核大小为3
×
3、步长为1；所述的第一子网络空洞卷积由空洞卷积层构成，空洞卷积层由1个普通卷积核和5个空洞卷积核依次串联而成；所述的第一子网络解码器由4个解码卷积块构成，每个解码卷积块包含1个2
×
2大小的上采样层、2个大小为3
×
3步长为1的解码卷积核、1个注意力机制块，...
【专利技术属性】
技术研发人员：陈昱莅，周耀，陆铖，马苗，裴炤，武杰，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。