【技术实现步骤摘要】
本专利技术涉及医学图像处理，更具体地，涉及一种结合改进胶囊网络与残差网络分类脑部切片的方法。
技术介绍
1、脑卒中(cs)又称“中风”，是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。由于放射科医生需要手动选择最重要的ct切片，目前的中风诊断方法十分主观且容易出错。因此，为了改善患者的预后，寻求更准确可靠的自动化脑卒中诊断和定位方法尤为重要。例如，对脑切片进行延迟增强磁共振成像(de-mri)是评价脑卒中特征和程度的有效方法。该类扫描具有高分辨率和低运动模糊的特点。由于手动检测通常很耗时，近年来，逐渐将脑部mri机器学习应用于检查无症状性的脑梗塞、脑萎缩、脑出血、蛛网膜下腔出血、畸形和病变等早期中风风险。
2、目前，图像处理领域普遍使用卷积神经网络(cnn)。cnn利用卷积核提取图像信息，通过池化层减少训练参数，最后通过分类器输出分类结果。cnn通过权重共享和池化运算实现解释和旋转的不变性，但cnn无法识别会对结果产生重大影响的图像空间关系。例如，在医学图像中，即使器官的空间位置被打乱，cnn仍会将其识别为正常样本。在训练过程中，cnn需要较大的数据集才能形成准确的模式。而深度网络很容易出现梯度消失和爆炸，并且池化层可能会导致提取的特征信息丢失，从而影响最终的分类准确度。
3、为解决cnn的上述缺陷，sabour等人提出了一种称为胶囊网络(capsnet)的新型深度网络(sabour,s.,n.frosst,and g.ehi
技术实现思路
1、本专利技术的目的是克服上述现有技术的缺陷，提供一种结合改进胶囊网络与残差网络分类脑部切片的方法。该方法包括以下步骤：
2、获取待测目标的磁共振图像；
3、将所述磁共振图像输入到经训练的残差胶囊网络，获得重建图像；
4、利用所述重建图像获得脑部切片的分类结果；
5、其中，所述残差胶囊网络包括编码器和解码器，所述编码器包括残差网络和胶囊网络，所述解码器包括去卷积层，所述残差网络用于从输入图像中提取不同深度的特征图并传递至所述胶囊网络，所述胶囊网络对所述不同深度的特征图进行向量化加权合并，所述解码器使用所述胶囊网络的连接胶囊中的最长向量来重建图像。
6、与现有技术相比，本专利技术的优点在于，提出了一种新型的胶囊网络，该胶囊网络用残差块替代卷积层，残差块可从图像中提取更深层的语义信息，进而将不同残差块提取的浅层、中层和深层特征相结合有助于构建更高效的胶囊网络。此外，为避免出现高分辨率输入引起的梯度消失和爆炸，在解码器采用了缩放重建。与现有的残差网络和胶囊网络相比，本专利技术提出的残差胶囊网络模型提升了重建图像的清晰度，尤其对于大型de-mri扫描，具有更好的性能。
7、通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
本文档来自技高网...【技术保护点】
1.一种结合改进胶囊网络与残差网络分类脑部切片的方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述残差网络设置为包含四个残差块，用于提取浅层特征图、中层特征图和深层特征图，所述胶囊网络设置为包括第一初级胶囊、第二初级胶囊和第三初级胶囊，其中浅层特征图传输至第一初级胶囊，中层特征图传输至第二初级胶囊，深层特征图传输至第三初级胶囊。
3.根据权利要求2所述的方法，其特征在于，所述残差块包含正则化层、Relu激活层和卷积层，并且所述残差块将直连路径和残差路径的求和值作为输出。
4.根据权利要求1所述的方法，其特征在于，所述胶囊网络包括多个初级胶囊、多个对应的数字胶囊和一个连接胶囊，其中每个初级胶囊包含卷积模块以及压缩与激励模块，所述压缩与激励模块在特征合并过程中，获得所述数字胶囊的权重。
5.根据权利要求4所述的方法，其特征在于，所述压缩与激励模块包含全局池化层、第一全连接层、ReLU激活层、第二全连接层和Sigmoid激活层，其中所述全局池化层用于执行压缩运算，第一全连接层、ReLU激活层、第二全连接层和Sigmoid
6.根据权利要求1所述的方法，其特征在于，训练所述残差胶囊网络的总体损失函数设置为：
7.根据权利要求6所述的方法，其特征在于，所述编码器的边缘损失设置为：
8.根据权利要求1所述的方法，其特征在于，所述磁共振图像是延迟增强磁共振成像。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种结合改进胶囊网络与残差网络分类脑部切片的方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述残差网络设置为包含四个残差块，用于提取浅层特征图、中层特征图和深层特征图，所述胶囊网络设置为包括第一初级胶囊、第二初级胶囊和第三初级胶囊，其中浅层特征图传输至第一初级胶囊，中层特征图传输至第二初级胶囊，深层特征图传输至第三初级胶囊。
3.根据权利要求2所述的方法，其特征在于，所述残差块包含正则化层、relu激活层和卷积层，并且所述残差块将直连路径和残差路径的求和值作为输出。
4.根据权利要求1所述的方法，其特征在于，所述胶囊网络包括多个初级胶囊、多个对应的数字胶囊和一个连接胶囊，其中每个初级胶囊包含卷积模块以及压缩与激励模块，所述压缩与激励模块在特征合并过程中，获得所述数字胶囊的权重。
5.根据权利要求4所述的方法，其特征在于，所述压缩与激励...
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。