CN108830326B - 一种mri图像的自动分割方法及装置 - Google Patents

Abstract

本发明涉及医学图像处理技术领域，特别是一种MRI图像的自动分割方法及装置。通过获取MRI图像并进行像素灰度处理后制作为训练集；构造双路径卷积模型并用训练集作为输入进行训练得到最优权重参数的卷积网络模型；利用训练后的卷积网络模型提取训练集的包含局部纹理特征、大邻域特征和上下文信息的融合特征；将训练集的融合特征输入随机森林模型进行训练得到最优参数的随机森林模型；利用训练后的卷积网络模型提取待测MRI图像的融合特征；以融合特征输入训练后随机森林模型，得到待测MRI图像的最优分类结果即为分割结果，通过卷积和随机森林能够显著提高图像处理的效果，有效地解决了现有MRI图像处理方法提取效果较差的问题。

Description

一种MRI图像的自动分割方法及装置

技术领域

本发明涉及医学图像处理技术领域，特别是一种MRI图像的自动分割方法及装置。

背景技术

神经胶质瘤是成年人中是最常见的脑部肿瘤，是脑肿瘤中发病率最高的原发性恶性肿瘤，具有很高的致死率，呈快速弥散性。对于这种高级肿瘤，临床群体一般只有两年甚至更少的中值存活率，需要立即接受治疗。对脑肿瘤MRI图像进行分割对于早期诊断、治疗计划和评估起着至关重要的作用。由于在医学图像成像过程中存在噪声、场偏移效应、局部体积效应和组织运动等干扰，使得图像出现模糊、灰度不均匀等现象，严重影响图像质量，且脑肿瘤本身存在浸润性生长，边界不明显等特征，手工分割速度慢、实时性差、可重复性差，所以尽管手工分割速度慢、实时性差、可重复性差，目前临床上通常还是由有经验的医生结合多模态MRI图像，利用计算机辅助软件，手动一层一层地勾画肿瘤区域，所以对脑肿瘤图像利用机器进行精确分割是医学图像发展的必然趋势，大量的分割算法陆续被提出：

首先是基于阈值的分割方法：方法过于简单，不能适应脑肿瘤MRI图像复杂多变的边缘。为了改变上述阈值分割法的确定，提出了基于区域的分割方法：主要有区域生长、分水岭等，其优点是简单、易于实现，对纹理清晰、灰度单一的图像有好的连通分割结果，缺点是易受局部灰度不均和噪声的影响，陷入过分割。为了解决过分割的问题，通过采用基于模型的分割方法：主要有参数形变模型和水平集，以其适应解剖结构的多变性而受到广泛关注，但其缺点是不能对复杂的边界进行很好的分割，且计算代价高。

因此，研究表明基于统计学的机器学习方法：主要有模糊C聚类、人工神经网络、马尔可夫随机场、支持向量机等，这种方法能够充分利用每一个像素的邻域灰度信息和局部纹理等特征，能够有效的解决上述的各方法的问题，但现有的分割学习方法无法兼顾图像上下文信息，无法对特征信息进行充分学习，导致自学习特征的能力不足，需要人工进行设计提取，在处理数据量较大的复杂问题时效果和效率均较差。

发明内容

本发明的目的是提供一种MRI图像的自动分割方法及装置，用以解决现有MRI图像处理方法提取效果较差的问题。

卷积神经网络作为有监督学习的代表，能够直接从数据中学习特征表示，通过逐层特征提取，将图像从简单的边缘、角点等底层特征，逐层组合成更加抽象的高层次特征，在图像识别领域取得了显著效果，能够有效地解决现有MRI图像处理方法提取效果较差的问题。因此本发明提供一种MRI图像的自动分割方法，包括以下步骤：

1)获取MRI图像并进行像素灰度处理后制作为训练集；

2)构造双路径卷积模型并用训练集作为输入进行训练得到最优权重参数的卷积网络模型；

3)利用训练后的卷积网络模型提取训练集的包含局部纹理特征、大邻域特征和上下文信息的融合特征；

4)将训练集的融合特征输入随机森林模型进行训练得到最优参数的随机森林模型；

5)获取待测MRI图像并进行像素灰度处理后制作为测试集，利用训练后的卷积网络模型提取测试集的融合特征；

6)以测试集的融合特征输入训练后随机森林模型，得到待测MRI图像的最优分类结果即为分割结果。

进一步地，为了堆叠更多的卷积层，使得图像分割方法具有更强大的非线性映射能力以及防止过拟合的能力，并能够充分提取每个像素点的邻域信息和密度纹理等特征，构成更加全面而丰富的输出特征，同时，可以兼顾脑肿瘤图像的上下文信息，对图像较大邻域的特征信息进行充分的学习，所述双路径卷积模型包括小卷积核路径、大卷积核路径和全连接层路径，所述小卷积核路径和所述大卷积核路径的输出均连接所述全连接层路径。进一步地，优选通过小卷积核路径提取训练集与测试集的局部纹理特征，通过大卷积核路径提取训练集与测试集的大邻域特征和上下文信息，所述局部纹理特征与所述大邻域特征和上下文信息通过全连接层路径融合后得到全连接层特征，再将局部纹理特征、大邻域特征、上下文信息和全连接层特征进行线性融合得到融合特征。

进一步地，为了补充卷积网络模型丢失的部分特征信息，使特征集更加完整，该方法中还通过人工提取算法提取MRI图像的纹理结构特征，并将纹理结构特征、局部纹理特征、大邻域特征、上下文信息和全连接层特征通过线性融合叠加得到融合特征，所述人工提取算法为Gabor核函数，公式如下：

其中，x′＝x cosθ+y sinθ；y′＝-x sinθ+y cosθ，θ为Gabor核函数的方向；λ为正弦函数波长；ψ为相位偏移；σ为高斯函数的标准差；γ为空间的宽高比。

进一步地，为了MRI图像的完整性，MRI图像包括Flair、T1、T1c和T2四个模态中的至少两个模态图像。进一步地，为了便于对原始图像进行处理，所述像素灰度处理为先通过移除模态图像前1％的最高和后1％的最低的灰度强度值，再采用N4ITK算法进行不均匀场偏移校正，并进行强度归一化处理。

进一步地，为了得到较好的分割效果，所述小卷积核路径包括三层卷积核尺度为64×3×3的卷积层和三层卷积核尺度为128×3×3的卷积层；所述大卷积核路径包括一层卷积核尺度为64×14×14的卷积层和一层卷积核尺度为64×13×13的卷积层。

进一步地，为了实现能够处理高维度、特征多的数据，且能够准确进行分类，使用随机森林模型作为分类器，所述随机森林模型的分类步骤如下：

首先建立50个决策树的随机森林，分为5类，把图像特征s送入每个决策树T_i，i＝1,2,…,N1，可得到5个分类结果，即输出5个置信度，c∈{1,2,…,K}，每个置信度p(i,s)(f(s)＝c)表示样本s属于第c类的概率，最后随机森林的判决是基于所有决策树结果的平均，公式如下：

进一步地，为了消除细小空洞，平滑分割图像边缘，步骤6)得到分割结果后，还采用形态学开操作方法对分割结果的灰度图像进行腐蚀后再进行膨胀处理得到分割图像，所述形态学开操作方法使用平坦结构元素，平坦结构元素b(x)公式如下：

其中，B∈E，

在平坦结构元素的条件下，所述腐蚀的运算公式如下：

其中，inf指的是最小下界，

是腐蚀后的灰度图像，b(x)表示结构函数；在平坦结构元素的条件下，所述膨胀的运算公式如下：

其中，sup指的是最大上界，

表示膨胀后的灰度图像，即可得到形态学开操作公式如下：

为了较好实现上述的方法及进一步改进的方法，本发明还提供一种MRI图像的自动分割装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

1)获取MRI图像并进行像素灰度处理后制作为训练集；

2)构造双路径卷积模型并用训练集作为输入进行训练得到最优权重参数的卷积网络模型；

3)利用训练后的卷积网络模型提取训练集的包含局部纹理特征、大邻域特征和上下文信息的融合特征；

4)将训练集的融合特征输入随机森林模型进行训练得到最优参数的随机森林模型；

5)获取待测MRI图像并进行像素灰度处理后制作为测试集，利用训练后的卷积网络模型提取测试集的融合特征；

6)以测试集的融合特征输入训练后随机森林模型，得到待测MRI图像的最优分类结果即为分割结果。

进一步地，为了堆叠更多的卷积层，使得图像分割方法具有更强大的非线性映射能力以及防止过拟合的能力，并能够充分提取每个像素点的邻域信息和密度纹理等特征，构成更加全面而丰富的输出特征，同时，可以兼顾脑肿瘤图像的上下文信息，对图像较大邻域的特征信息进行充分的学习，该装置所述双路径卷积模型包括小卷积核路径、大卷积核路径和全连接层路径，所述小卷积核路径和所述大卷积核路径的输出均连接所述全连接层路径。进一步地，该装置优选通过小卷积核路径提取训练集与测试集的局部纹理特征，通过大卷积核路径提取训练集与测试集的大邻域特征和上下文信息，所述局部纹理特征与所述大邻域特征和上下文信息通过全连接层路径融合后得到全连接层特征，再将局部纹理特征、大邻域特征、上下文信息和全连接层特征进行线性融合得到融合特征。

进一步地，为了补充卷积网络模型丢失的部分特征信息，使特征集更加完整，该装置中还通过人工提取算法提取MRI图像的纹理结构特征，并将纹理结构特征、局部纹理特征、大邻域特征、上下文信息和全连接层特征通过线性融合叠加得到融合特征，所述人工提取算法为Gabor核函数，公式如下：

其中，x′＝x cosθ+y sinθ；y′＝-x sinθ+y cosθ，θ为Gabor核函数的方向；λ为正弦函数波长；ψ为相位偏移；σ为高斯函数的标准差；γ为空间的宽高比。

进一步地，为了MRI图像的完整性，该装置中MRI图像包括Flair、T1、T1c和T2四个模态中的至少两个模态图像。进一步地，为了便于对原始图像进行处理，该装置中所述像素灰度处理为先通过移除模态图像前1％的最高和后1％的最低的灰度强度值，再采用N4ITK算法进行不均匀场偏移校正，并进行强度归一化处理。

进一步地，为了得到较好的分割效果，该装置中所述小卷积核路径包括三层卷积核尺度为64×3×3的卷积层和三层卷积核尺度为128×3×3的卷积层；所述大卷积核路径包括一层卷积核尺度为64×14×14的卷积层和一层卷积核尺度为64×13×13的卷积层。

进一步地，为了实现能够处理高维度、特征多的数据，且能够准确进行分类，该装置使用随机森林模型作为分类器，所述随机森林模型的分类步骤如下：

首先建立50个决策树的随机森林，分为5类，把图像特征s送入每个决策树T_i，i＝1,2,…,N1，可得到5个分类结果，即输出5个置信度，c∈{1,2,…,K}，每个置信度p(i,s)(f(s)＝c)表示样本s属于第c类的概率，最后随机森林的判决是基于所有决策树结果的平均，公式如下：

进一步地，为了消除细小空洞，平滑分割图像边缘，该装置步骤6)得到分割结果后，还采用形态学开操作方法对分割结果的灰度图像进行腐蚀后再进行膨胀处理得到分割图像，所述形态学开操作方法使用平坦结构元素，平坦结构元素b(x)公式如下：

其中，B∈E，

在平坦结构元素的条件下，所述腐蚀的运算公式如下：

其中，inf指的是最小下界，

是腐蚀后的灰度图像，b(x)表示结构函数；在平坦结构元素的条件下，所述膨胀的运算公式如下：

其中，sup指的是最大上界，

表示膨胀后的灰度图像，即可得到形态学开操作公式如下：

附图说明

图1是一种MRI图像的自动分割方法的流程图；

图2是卷积网络模型的示意；

图3是随机森林模型的构造示意图；

图4是脑肿瘤MRI图像四个模态的示意图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明提供一种MRI图像的自动分割装置，该装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行程序时实现一种MRI图像的自动分割方法，如图1所示，包括步骤如下：

1)获取MRI图像并进行像素灰度处理后制作为训练集。

2)构造双路径卷积模型并用训练集作为输入进行训练得到最优权重参数的卷积网络模型。

双路径卷积模型包括小卷积核路径、大卷积核路径和全连接层路径，所述小卷积核路径和所述大卷积核路径的输出均连接所述全连接层路径。通过小卷积核路径提取训练集与测试集的局部纹理特征，通过大卷积核路径提取训练集与测试集的大邻域特征和上下文信息；如图2所示，其中局部纹理特征与所述大邻域特征和上下文信息通过全连接层路径融合后得到全连接层特征，再将局部纹理特征、大邻域特征、上下文信息和全连接层特征进行线性融合得到融合特征。

如图2所示，小卷积核路径为路径1，包含一个block1模块和一个block2模块，block1中包含三个卷积层，卷积核大小均为3×3，个数均为64，步长为1，后接一个池化层和一个dropout层。block2中包含三个卷积层，卷积核大小均为3×3，个数均为128，步长为1，后接一个池化层和一个dropout层。路径1的输出特征的大小为8×8×128。

如图2所示，大卷积核路径为路径2，包含一个block3模块和一个block4模块。block3模块含有一个卷积层，卷积核大小为14×14，个数为64，步长为1。block4模块含有一个卷积层两，卷积核大小为13×13，个数为64，步长为1。block4后接一个dropout层。路径2的输出特征大小为8×8×128。

将两路径的输出进行线性融合叠加，并输入三个全连接层，卷积核大小均为1×1，卷积核的个数分别为128、256和5。

每个卷积层后都有一个非线性激活层，本发明将激活函数设为LeakyRelu。分类函数为softmax，损失函数为交叉熵损失函数，反向优化算法为Adam。

在一个实例中，样本首先输入网络进行前向传播，通过双路径卷积层和全连接层，从全连接层输出后进入softmax分类函数层，softmax对输出特征进行分类预测得到肿瘤类别，本发明可用于脑肿瘤MRI图像的分割中，本发明将脑肿瘤分为健康、水肿、增强、非增强、坏死五个类别。之后通过交叉熵损失函数计算出loss值，使用Adam优化函数进行反向传导，优化各卷积核权重参数，直到达到满意效果。

进一步的，任一卷积核所对应的输出特征图O_s都采用下式计算：

其中，X_r是输入项的第r个输入通道，W_sr是通道r的第s个卷积核的权值矩阵，*是卷积操作，b_s是该卷积核偏置项。

非线性激活函数公式为：

其中，f(O_s)_s表示整流线性单元函数，alpha是激活函数图像中第三象限斜线的斜率，O_s表示输入图像。

池化层中非线性的下采样方法，使得该卷积网络模型更具有鲁棒性。

3)利用训练后的卷积网络模型提取训练集的包含局部纹理特征、大邻域特征和上下文信息的融合特征。

将训练集输入具有最优参数的卷积网络模型，分别提取路径1输出的局部纹理特征，路径2输出的大邻域特征和上下文信息，和全连接层输出的特征，并对路径1、路径2和全连接层输出的特征进行线性融合，作为随机森林训练集的卷积特征部分。

优选的，还通过人工提取算法提取训练集与测试集的纹理结构特征，将纹理结构特征、局部纹理特征、大邻域特征、上下文信息和全连接层输出的特征通过线性融合叠加得到训练集的融合特征。

人工提取特征是利用Gabor滤波器对图像进行滤波提取特征，公式如下：

其中，x′＝x cosθ+y sinθ；y′＝-x sinθ+y cosθ；θ：Gabor核函数的方向；λ：正弦函数波长；ψ：相位偏移；σ：高斯函数的标准差；γ：空间的宽高比。

Gabor作为滤波器作为一个由高斯函数调制的复杂正弦函数，由尺度和方向参数控制。本发明中采用穷举网格搜索法得出滤波器最优参数，取λ为2,3,4,5,6，取θ为0,30,60,90,120,150，共提取30张特征图。

将卷积网络模型自动提取的特征和人工提取的特征进行线性融合叠加得到融合特征，作为随机森林的输入训练集。

4)将训练集的融合特征输入随机森林模型进行训练得到最优参数的随机森林模型。

如图3所示，决策树分类模型{h_i(X,θ_i),i＝1,2,3,…}，θ_i是每棵决策树的训练集，且{θ_i}是独立同分布的；X是测试数据集。最优分类结果由每个决策树分类模型投票来选择。构建随机森林模型有以下步骤：

步骤1、加入W个训练样本，从中采用随机有放回的方式选择N个样本。在利用这N个随机样本作为决策树的根节点的输入样本集合进行训练，生成一棵决策树。

步骤2、训练集θ_i中每个样本拥有M维特征向量，对其进行列采样。我们从该M维特征向量中无放回的随机选择m维的特征向量作为决策树叶子节点的备选特征集，其中m<<M，决策树含有多个节点，我们节点k为例，以基尼系数为依据，从m个备选属性集中选择一个属性作为该节点的分类属性。

步骤3、决策树的形成过程中每个节点按照步骤2来分裂，如果下次该节点选出来的属性为父节点分裂时用过的属性，即标识该节点为叶子节点，停止分裂。

步骤4、通过重复执行步骤1～3建立50个并行的决策树，表示随机森林模型构造完成。

对具体的过程进行阐述，建立50个决策树的随机森林，分为5类，把图像特征s送入每个决策树T_i，i＝1,2,…,N1，可得到5个分类结果，即输出5个置信度，c∈{1,2,…,K}，每个置信度p(i,s)(f(s)＝c)表示样本s属于第c类的概率，最后随机森林的判决是基于所有决策树结果的平均，也就是进行投票，公式如下：

5)获取待测MRI图像并进行像素灰度处理后制作为测试集，利用训练后的卷积网络模型提取测试集的融合特征。

6)以测试集的融合特征输入训练后随机森林模型，得到待测MRI图像的最优分类结果即为分割结果。

上述步骤中，获取的MRI图像和待测MRI图像都为包括Flair、T1、T1c和T2四个模态中的至少两个模态图像，其四个图像如图4所示，该像素灰度处理包括有以下几个步骤：

(1)移除四个模态图像前1％的最高和后1％的最低的灰度强度值；

(2)采用N4ITK算法对图像进行不均匀场偏移校正操作；

(3)对每一个脑肿瘤MRI切片进行强度归一化操作，公式如下：

x′(i,j)＝(x(i,j)-X_min)/(X_max-X_min)

其中，x(i,j)是切片X第i行j列的灰度值，X_min和X_max分别是切片X的最小值和最大值，x′(i,j)是归一化后的像素灰度。

经过像素灰度处理后，将四个模态图像的纵向轴切片按像素点取为大小w×h×4的切片小块，制作得到训练集和测试集本发明采用33×33×4的图像小块，具有较好的训练结果。

在得到分割结果后，还采用形态学开操作方法对分割结果的灰度图像进行腐蚀及膨胀处理得到分割图像，其中形态学开操作方法为通过对分割结果的灰度图像进行腐蚀运算后再进行膨胀运算得到分割图像。

形态学处理使用平坦结构元素，平坦结构元素b(x)公式如下：

其中，B∈E，

在平坦结构元素的条件下，先对对图像进行腐蚀运算，腐蚀运算公式如下：

其中inf指的是最小下界，

是腐蚀后的灰度图像，B在定义域内所有坐标均为0。

然后图像进行膨胀运算，膨胀运算公式如下：

其中sup指的是最大上界，

是膨胀后的灰度图像，B在定义域内所有坐标均为0。

上述开操作对图像先进行腐蚀后进行膨胀，通过如下公式实现：

本发明取结构元素的尺度大小为3×3。

以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (8)

1.一种MRI图像的自动分割方法，其特征在于，包括以下步骤：

1)获取MRI图像并进行像素灰度处理后制作为训练集；

2)构造双路径卷积模型并用训练集作为输入进行训练得到最优权重参数的卷积网络模型；

3)利用训练后的卷积网络模型提取训练集的包含局部纹理特征、大邻域特征和上下文信息的融合特征；

4)将训练集的融合特征输入随机森林模型进行训练得到最优参数的随机森林模型；

5)获取待测MRI图像并进行像素灰度处理后制作为测试集，利用训练后的卷积网络模型提取测试集的融合特征；

6)以测试集的融合特征输入训练后随机森林模型，得到待测MRI图像的最优分类结果即为分割结果；

所述双路径卷积模型包括小卷积核路径、大卷积核路径和全连接层路径，所述小卷积核路径和所述大卷积核路径的输出均连接所述全连接层路径；

通过小卷积核路径提取训练集与测试集的局部纹理特征，通过大卷积核路径提取训练集与测试集的大邻域特征和上下文信息，所述局部纹理特征与所述大邻域特征和上下文信息通过全连接层路径融合后得到全连接层特征，再将局部纹理特征、大邻域特征、上下文信息和全连接层特征进行线性融合得到融合特征；

所述全连接层路径包括三个全连接层，所述三个全连接层的卷积核大小均为1×1，三个全连接层的卷积核的个数分别为128、256和5。

2.根据权利要求1所述的MRI图像的自动分割方法，其特征在于，该方法中还通过人工提取算法提取MRI图像的纹理结构特征，并将纹理结构特征、局部纹理特征、大邻域特征、上下文信息和全连接层特征通过线性融合叠加得到融合特征，所述人工提取算法为Gabor核函数，公式如下：

其中，x′＝x cosθ+y sinθ；y′＝-x sinθ+y cosθ，θ为Gabor核函数的方向；λ为正弦函数波长；ψ为相位偏移；σ为高斯函数的标准差；γ为空间的宽高比。

3.根据权利要求1或2所述的MRI图像的自动分割方法，其特征在于，MRI图像包括Flair、T1、T1c和T2四个模态中的至少两个模态图像。

4.根据权利要求3所述的MRI图像的自动分割方法，其特征在于，所述像素灰度处理为先通过移除模态图像前1％的最高和后1％的最低的灰度强度值，再采用N4ITK算法进行不均匀场偏移校正，并进行强度归一化处理。

5.根据权利要求1或2所述的MRI图像的自动分割方法，其特征在于，所述小卷积核路径包括三层卷积核尺度为64×3×3的卷积层和三层卷积核尺度为128×3×3的卷积层；所述大卷积核路径包括一层卷积核尺度为64×14×14的卷积层和一层卷积核尺度为64×13×13的卷积层。

6.根据权利要求2所述的MRI图像的自动分割方法，其特征在于，使用随机森林模型作为分类器，所述随机森林模型的分类步骤如下：

首先建立50个决策树的随机森林，分为5类，把图像特征送入每个决策树T_i，i＝1,2,…,N1，可得到5个分类结果，即输出5个置信度，c∈{1,2,…,K}，每个置信度p(i,s)(f(s)＝c)表示样本s属于第c类的概率，最后随机森林的判决是基于所有决策树结果的平均，公式如下：

7.根据权利要求4所述的MRI图像的自动分割方法，其特征在于，步骤6)得到分割结果后，还采用形态学开操作方法对分割结果的灰度图像进行腐蚀后再进行膨胀处理得到分割图像，所述形态学开操作方法使用平坦结构元素，平坦结构元素b(x)公式如下：

其中，B∈E，

在平坦结构元素的条件下，所述腐蚀的运算公式如下：

其中，inf指的是最小下界，

是腐蚀后的灰度图像；在平坦结构元素的条件下，所述膨胀的运算公式如下：

其中，sup指的是最大上界，

表示膨胀后的灰度图像，即可得到形态学开操作公式如下：

8.一种MRI图像的自动分割装置，包括存储器、处理器以及存储在存储器中并可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程序时实现以下步骤：

1)获取MRI图像并进行像素灰度处理后制作为训练集；

2)构造双路径卷积模型并用训练集作为输入进行训练得到最优权重参数的卷积网络模型；

3)利用训练后的卷积网络模型提取训练集的包含局部纹理特征、大邻域特征和上下文信息的融合特征；

4)将训练集的融合特征输入随机森林模型进行训练得到最优参数的随机森林模型；

5)获取待测MRI图像并进行像素灰度处理后制作为测试集，利用训练后的卷积网络模型提取测试集的融合特征；

6)以测试集的融合特征输入训练后随机森林模型，得到待测MRI图像的最优分类结果即为分割结果；

所述双路径卷积模型包括小卷积核路径、大卷积核路径和全连接层路径，所述小卷积核路径和所述大卷积核路径的输出均连接所述全连接层路径；

通过小卷积核路径提取训练集与测试集的局部纹理特征，通过大卷积核路径提取训练集与测试集的大邻域特征和上下文信息，所述局部纹理特征与所述大邻域特征和上下文信息通过全连接层路径融合后得到全连接层特征，再将局部纹理特征、大邻域特征、上下文信息和全连接层特征进行线性融合得到融合特征；

所述全连接层路径包括三个全连接层，所述三个全连接层的卷积核大小均为1×1，三个全连接层的卷积核的个数分别为128、256和5。

Images