分割网络的优化方法、***和计算机可读存储介质
技术领域
本发明涉及医学成像技术,尤其涉及一种分割网络的优化方法、***和计算机可读存储介质。
背景技术
冠状动脉造影图像的分割是图像分割技术在医学领域的重要应用,冠状动脉血管的精确提取可以辅助医生诊断心血管疾病并确定合适的治疗方案,同时其也是血管三维重建的重要基础,在临床医疗中发挥着重要作用。
传统应用深度学习技术对Dicom视频文件进行分割的做法是一帧一帧的进行分割,而且没有利用到帧与帧之间的关联性,最终导致分割结果抖动比较大,效果并不理想。
发明内容
本发明提供一种分割网络的优化方法、***和计算机可读存储介质,以提高图像分割的效果。
本发明一方面提供一种分割网络的优化方法,一次迭代过程包括:
S1、获取待分割图像;
S2、将所述待分割图像输入至分割网络中,其中,所述分割网络中包括至少一层卷积层,利用系数对所述卷积层的第一卷积块进行放大处理,得到第二卷积块,而后利用所述第二卷积块进行所述卷积层的卷积运算,获得所述卷积层的输出数据,所述系数为预设值;
S3、基于所述输出数据输出与所述待分割图像对应的分割数据。
本发明另一方面提供一种分割网络的优化***,包括:
待分割图像获取模块,用于获取待分割图像;
处理模块,用于将所述待分割图像输入至分割网络中并利用系数对所述分割网络中的卷积层的第一卷积块进行放大处理以得到第二卷积块,所述系数为预设值;
运算模块,用于利用所述第二卷积块进行所述卷积层的卷积运算,以获得所述卷积层的输出数据;
输出模块,用于根据所述输出数据输出与所述待分割图像对应的分割数据。
本发明再一方面提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行本发明所提供的分割网络的优化方法。
基于上述,本发明提供的分割网络的优化方法,通过对分割网络中的卷积层的第一卷积块进行放大处理从而能够得到优化后的第二卷积块,而后利用第二卷积块进行卷积层的卷积运算,便可获得优化后的卷积层的输出数据,最终基于该输出数据输出与待分割图像对应的分割数据,从而能够提高该分割数据的准确率和召回率,进而提高图像分割的效果,使其能够达到非常深网络的图像分割的效果,且利用本发明提供的分割网络的优化方法进行优化的分割网络相比非常深网络,卷基层更少,从而利于节省显卡空间。
附图说明
图1为本发明提供的一种分割网络的优化方法的流程图;
图2为本发明提供的一种分割网络的优化***的结构示意图。
附图标记:
101:待分割图像获取模块; 102:处理模块;
103:运算模块; 104:输出模块;
105:选取模块。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参考图1,本发明实施例提供分割网络的优化方法,一次迭代过程包括如下步骤:
S1,获取待分割图像;
由此,为后续进行图像分割做准备。
S2,将待分割图像输入至分割网络中,其中,分割网络中包括至少一层卷积层,利用系数对卷积层的第一卷积块进行放大处理,得到第二卷积块,而后利用第二卷积块进行卷积层的卷积运算,获得卷积层的输出数据,系数为预设值;
由此,通过对分割网络中的卷积层的第一卷积块进行放大处理从而能够得到优化后的第二卷积块,而后利用第二卷积块进行卷积层的卷积运算,便可获得优化后的卷积层的输出数据。其中,第一卷积块为卷积层的输入,第二卷积块为卷积层经过卷积的输出。
S3,基于输出数据输出与待分割图像对应的分割数据;
最终基于优化后的卷积层的输出数据输出与待分割图像对应的分割数据,从而能够提高该分割数据的准确率和召回率,进而提高图像分割的效果,使其能够达到非常深网络的图像分割的效果,且利用本实施例中的分割网络的优化方法进行优化的分割网络相比非常深网络,卷基层更少,从而利于节省显卡空间。
实施例二
在实施例一的基础上,S2包括:
将待分割图像输入至分割网络中,其中,分割网络中包括至少M层卷积层,M大于等于2;
在M层卷积层中选取关键层,关键层为一个或多个;
利用系数对每一个关键层的第一卷积块进行放大处理,从而能够得到优化后的第二卷积块,而后利用第二卷积块进行关键层的卷积运算,获得关键层的输出数据,系数为预设值。其中,第一卷积块为关键层的输入,第二卷积块为关键层经过卷积的输出。
由此,通过对每一个关键层的第一卷积块进行放大处理,得到第二卷积块,而后利用第二卷积块进行关键层的卷积运算,便可获得优化后的关键层的输出数据。通过对关键层的输出数据进行优化,能够更为有效的优化后续步骤中输出的分割数据,从而进一步提高图像分割的效果。
实施例三
在实施例一的基础上,
S2包括:将待分割图像输入至分割网络中,其中,分割网络中包括至少N+1层卷积层,其中N大于等于1,利用第N系数对第N卷积层的第一卷积块进行放大处理,得到第二卷积块,而后利用第二卷积块进行第N卷积层的卷积运算,获得第N卷积层的输出数据,第N系数为预设值;其中,第一卷积块为第N卷积层的输入,第二卷积块为第N卷积层经过卷积的输出。
同时,在下一次迭代过程中的S1包括:以第N卷积层的输出数据作为N+1卷积层的待分割图像。
由于在下一次迭代过程中,以优化后的第N卷积层的输出数据作为N+1卷积层的待分割图像,利于进一步优化后续步骤中N+1卷积层的输出数据。
实施例四
在实施例一的基础上,S2包括:
将待分割图像输入至分割网络中,其中,分割网络中包括至少M层卷积层,M大于等于2;
在M层卷积层中选取关键层,关键层为一个或多个,关键层包括第P关键层;
利用第P系数对第P关键层的第一卷积块进行放大处理,得到第二卷积块,而后利用第二卷积块进行第P关键层的卷积运算,获得第P关键层的输出数据,第P系数由第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定。其中,第一卷积块为第P关键层的输入,第二卷积块为第P关键层经过卷积的输出。
由于第P系数根据第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定,即各关键层所对应的系数均由各关键层的损失、特征图像数或特征图像的尺寸所确定,从而能够更为有效的提高各关键层的输出数据。
实施例五
请参考图2,本发明实施例提供一种分割网络的优化***,包括:待分割图像获取模块101,用于获取待分割图像;处理模块102,用于将待分割图像输入至分割网络中并利用系数对分割网络中的卷积层的第一卷积块进行放大处理以得到第二卷积块,系数为预设值;运算模块103,用于利用第二卷积块进行卷积层的卷积运算,以获得卷积层的输出数据;输出模块104,用于根据输出数据输出与待分割图像对应的分割数据。
本实施例中的分割网络的优化***,通过处理模块102对分割网络中的卷积层的第一卷积块进行放大处理从而能够得到优化后的第二卷积块,而后通过运算模块103利用第二卷积块进行卷积层的卷积运算,便可获得优化后的卷积层的输出数据,最终通过输出模块104基于该输出数据输出与待分割图像对应的分割数据,从而能够提高该分割数据的准确率和召回率,进而提高图像分割的效果,使其能够达到非常深网络的图像分割的效果,且利用本发明提供的分割网络的优化方法进行优化的分割网络相比非常深网络,卷基层更少,从而利于节省显卡空间。其中,第一卷积块为卷积层的输入,第二卷积块为卷积层经过卷积的输出。
实施例六
在实施例五的基础上,优化***还包括选取模块105,分割网络中包括至少M层卷积层,M大于等于2,选取模块105用于在M层卷积层中选取关键层,关键层为一个或多个;处理模块102进一步用于利用系数对每一个关键层的第一卷积块进行放大处理以得到第二卷积块;运算模块103进一步用于利用第二卷积块进行关键层的卷积运算以获得关键层的输出数据。由此,通过选取模块105选取关键层,并通过处理模块102对每一个关键层的第一卷积块进行放大处理,得到第二卷积块,而后通过运算模块103利用第二卷积块进行关键层的卷积运算,便可获得优化后的关键层的输出数据。通过对关键层的输出数据进行优化,能够更为有效的优化输出模块104输出的分割数据,从而进一步提高图像分割的效果。其中,第一卷积块为关键层的输入,第二卷积块为关键层经过卷积的输出。
实施例七
在实施例五的基础上,分割网络中包括至少N+1层卷积层,其中N大于等于1,处理模块102进一步用于利用第N系数对第N卷积层的第一卷积块进行放大处理以得到第二卷积块;运算模块103进一步用于利用第二卷积块进行第N卷积层的卷积运算以获得第N卷积层的输出数据;待分割图像获取模块101进一步用于在下一次代过程中获取第N卷积层的输出数据作为N+1卷积层的待分割图像。由于待分割图像获取模块101在下一次迭代过程中获取优化后的第N卷积层的输出数据作为N+1卷积层的待分割图像,利于进一步优化N+1卷积层的输出数据。其中,第一卷积块为第N卷积层的输入,第二卷积块为第N卷积层经过卷积的输出。
实施例八
在实施例五的基础上,优化***还包括选取模块105,分割网络中包括至少M层卷积层,M大于等于2,选取模块105用于在M层卷积层中选取关键层,关键层为一个或多个,关键层包括第P关键层;处理模块102进一步用于利用第P系数对第P关键层的第一卷积块进行放大处理以得到第二卷积块,第P系数由第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定;运算模块103进一步用于利用第二卷积块进行第P关键层的卷积运算以获得第P关键层的输出数据。
由于第P系数根据第P关键层的损失或第P关键层的特征图像数或第P关键层的特征图像的尺寸确定,即各关键层所对应的系数均由各关键层的损失、特征图像数或特征图像的尺寸所确定,从而能够更为有效的提高各关键层的输出数据。其中,第一卷积块为第P关键层的输入,第二卷积块为第P关键层经过卷积的输出。
本发明实施例还提供了一种计算机可读存储介质,存储介质包括一组计算机可执行指令,当指令被执行时用于执行本发明任意实施例的血管分割图像断裂的修复方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。