CN110414589A - 基于深度学习的腋路臂丛神经的识别方法及其系统 - Google Patents
基于深度学习的腋路臂丛神经的识别方法及其系统 Download PDFInfo
- Publication number
- CN110414589A CN110414589A CN201910665910.4A CN201910665910A CN110414589A CN 110414589 A CN110414589 A CN 110414589A CN 201910665910 A CN201910665910 A CN 201910665910A CN 110414589 A CN110414589 A CN 110414589A
- Authority
- CN
- China
- Prior art keywords
- convolution
- input
- results
- output
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000003461 brachial plexus Anatomy 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003213 activating effect Effects 0.000 claims description 49
- 239000011248 coating agent Substances 0.000 claims description 14
- 238000000576 coating method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract description 5
- 238000002604 ultrasonography Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 206010002091 Anaesthesia Diseases 0.000 description 3
- 230000037005 anaesthesia Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003195 fascia Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000003589 local anesthetic agent Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000002627 tracheal intubation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及神经超声图像识别技术领域，公开了基于深度学习的腋路臂丛神经的识别方法及其系统，方法包括预处理腋路臂丛神经的原始医学图像，构成训练Con‑Re‑LU卷积神经网络模型所需的训练图像；构建卷积神经网络，使用Con‑Re‑LU算法构建卷积神经网络,在Con‑Re‑LU卷积神经网络模型中载入训练集，确定Con‑Re‑LU卷积神经网络的模型参数，进行特征学习，得到训练好的Con‑Re‑LU卷积神经网络模型并保存；部署训练好的Con‑Re‑LU卷积神经网络模型；既能增加识别的准确率，又能增加后续相似图像的识别速度，识别更加准确、高效。
Description
技术领域
本发明涉及神经超声图像识别技术领域，更具体地说，它涉及一种基于深度学习的腋路臂丛神经的识别方法及其系统。
背景技术
随着计算机科学技术的飞速发展，人们开始使用计算机强大的计算能力实现人类的识别技能，尤其是在医学图像处理和分析以及自动识别，在医疗诊断中发挥了极其重要的作用。
超声成像可实时、无创地显示人体内部组织结构的影像，非常适用于引导各项麻醉穿刺置管和靶向注药技术，已广泛应用于临床麻醉。在对医学图像进行分析时，临床医生人工分析与瞄准超声图像中的目标结构，将局部麻醉药注入腋路臂丛神经分支周围,使其所支配的区域产生麻醉的方法称为臂丛神经阻滞,是临床上常用的麻醉方法之一。由于超声分辨率有限、伪像较多、神经变异常见、神经回声与周围结缔组织和筋膜的回声近似等原因，在超声图像中辨别腋路臂丛神经比较困难，操作者需要具备丰富的经验才能正确辨识，且需要耗费大量时间和精力接受相关培训，是高年资医生才能完成的工作。同时，在传统的图像处理方法中，根据一些算子来对图像进行处理的方法受到了很多条件的限制，导致无法对超声图像进行准确、高效的分析。
发明内容
针对现有的技术问题，本发明的目的一在于提供一种基于深度学习的腋路臂丛神经的识别方法，其具有识别神经图像更加准确、高效的优点。本发明的目的二在于提供一种基于深度学习的腋路臂丛神经的识别系统，其具有识别神经图像更加准确、高效的优点。
为实现上述目的一，本发明提供了如下技术方案：
一种基于深度学习的腋路臂丛神经的识别方法，包括如下步骤：
步骤S1：获取腋路臂丛神经的原始医学图像组；
步骤S2：预处理原始医学图像组，构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；
步骤S3：对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；
步骤S4：构建卷积神经网络模型，使用Con-Re-LU算法构建卷积神经网络,在Con-Re-LU卷积神经网络模型中载入训练集，确定Con-Re-LU卷积神经网络模型的参数，进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型并保存；
步骤S5：部署训练好的Con-Re-LU卷积神经网络模型，识别并标记医学图像中的腋路臂丛神经。
进一步的，所述步骤S4中的方法包括：
获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；
将输出卷积图像作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；
将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；
将卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；
将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；
将输出卷积结果四作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；
将卷积结果五作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；
将卷积结果六和卷积结果五经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；
将卷积结果七和第三次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；
将卷积结果八和第二次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；
将卷积结果九和第一次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；
将卷积结果十的输出和输入卷积的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；
将卷积结果十一作为输入构建输出层，进行一次二维卷积，获得标记结果，输出标记遮罩数据形成输出图像。
进一步的，使用sigmoid方法获得标记结果。
进一步的，使用级联修正线性单元策略优化神经网络模型；
将输出图像融合在原始医学图像组上。
进一步的，预设算法包括正则化、归一化和/或增强运算。
为实现上述目的二，本发明提供了如下技术方案：
一种基于深度学习的腋路臂丛神经的识别系统，包括如下模块：
获取模块，用于获取腋路臂丛神经的原始医学图像组；
预处理模块，与所述获取模块数据连接，用于预处理原始医学图像组，构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；
修正模块，与所述预处理模块数据连接，用于对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；
构建模块，与所述修正模块数据连接，用于构建卷积神经网络，在Con-Re-LU卷积神经网络模型中载入训练集，确定Con-Re-LU卷积神经网络模型的参数，进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型并保存；
部署模块，与所述构建模块数据连接，用于部署训练好的Con-Re-LU卷积神经网络模型，识别并标记医学图像中的腋路臂丛神经。
进一步的，所述构建模块中包括：
输入组件，获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；
输入卷积组件，将输入组件的输出作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；
第一次卷积组件，用于将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；
第二次卷积组件，用于卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；
第三次卷积组件，用于将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；
第四次卷积组件，用于将卷积结果四的输出作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；
第五次卷积组件，用于将卷积结果五的输出作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；
第六次卷积组件，用于将卷积结果六的输出和卷积结果五的输出经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；
第七次卷积组件，将卷积结果七和第三次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；
第八次卷积组件，将卷积结果八和第二次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；
第九次卷积组件，将卷积结果九和第一次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；
输出卷积组件，将卷积结果十和输入卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；
输出组件，将卷积结果十一输出作为输入构建输出层，进行一次二维卷积，获得腋路臂丛神经在图像中的位置范围标记结果，输出标记遮罩数据形成输出图像。
进一步的，使用sigmoid方法获得标记结果。
进一步的，还包括：使用级联修正线性单元策略优化神经网络模型；
融合模块，用于将输出图像融合在原始医学图像组上。
进一步的，预设算法包括正则化、归一化和/或增强运算。
与现有技术相比，本发明的有益效果是：使用Con-Re-LU卷积神经网络模型能够进行深度学习腋路臂丛神经的图像形状，经过多次最大池化与上卷积，再将且将最大池化后的数据参与上卷积，实现了模型参数的训练以及神经图像的识别，且每次结果都能根据输入的原始医学图像组进行学习与跟踪，既能增加识别的准确率，又能增加后续相似图像的识别速度，具有识别神经图像更加准确、高效的优点。
附图说明
图1为本发明实施例一的方法流程图；
图2为本发明实施例二的系统框图；
图3为本发明实施例二构建模块的框图。
附图标记：1、获取模块；2、预处理模块；3、修正模块；31、输入组件；32、输入卷积组件；4、第一次卷积组件；5、第二次卷积组件；6、第三次卷积组件；7、第四次卷积组件；8、第五次卷积组件；9、第六次卷积组件；10、第七次卷积组件；101、第八次卷积组件；102、第九次卷积组件；103、输出卷积组件；13、输出组件；14、构建模块；15、部署模块；16、融合模块。
具体实施方式
下面结合附图和实施例，对本发明进行详细描述。
实施例一
一种基于深度学习的腋路臂丛神经的识别方法，如图1所示，包括如下步骤：
步骤S1：获取腋路臂丛神经的原始医学图像组。原始医学图像组包括至少1幅影像切片图像，原始医学图像组的分辨率为580×420。
步骤S2：预处理原始医学图像组，裁剪原始医学图像组，对原始医学图像组中的腋路臂丛神经依次进行定位并标注从而构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集。
步骤S3：对训练集中的医学图像组进行特征增强和扩充，增强图像的特征信息，计算生成新的图像并添加进训练集当中。
步骤S4：构建卷积神经网络，在Con-Re-LU卷积神经网络模型中载入训练集，确定Con-Re-LU卷积神经网络模型的参数，通过深度学习方法对医学图像进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型并保存。步骤S4中包括：
获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；比如8，16，32等。
将输出卷积图像作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；输入大小为580x420，平均值池化后输出卷积结果大小为290x210。本文二维卷积均为3×3二维卷积（Conv2D），修正线性单元激活层为修正线性单元（Re-LU）激活层，Re-LU函数是在2012年就被大众所熟知。Re-LU能够保持梯度不衰减，从而缓解梯度消失问题，还能够更很地收敛，并提供了神经网络的稀疏表达能力。相比于sigmoid/tanh需要计算指数等，计算复杂度高，Re-LU只需要一个阈值就可以得到激活值。
将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；输入大小为290x210，平均值池化后输出卷积结果大小为145x105。
将卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；输入大小为145x105，平均值池化后输出卷积结果大小为73x53。
将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；输入大小为73x53，平均值池化后输出卷积结果大小为37x27。
将输出卷积结果四作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；输入大小为37x27，输出卷积结果大小为37x27。
将卷积结果五作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；输入大小为37x27，输出卷积结果大小为37x27。预设算法包括正则化、归一化和/或增强运算。
将卷积结果六和卷积结果五经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；输入大小为37x27，输出卷积结果大小为37x27。
将卷积结果七和第三次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；输入大小为37x27，向上卷积后输出卷积结果大小为73x53。
将卷积结果八和第二次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；输入大小为73x53，向上卷积后输出卷积结果大小为145x105。
将卷积结果九和第一次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；输入大小为145x105，向上卷积后输出卷积结果大小为290x210。
将卷积结果十的输出和输入卷积的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；输入大小为290x210，向上卷积后输出卷积结果大小为580x420。
将卷积结果十一作为输入构建输出层，进行一次1x1卷积，使用sigmoid方法获得腋路臂丛神经在图像中的位置范围标记结果，输出580x420大小的标记遮罩数据形成输出图像。并加权合并剪裁后的图像与先生成的图像。使用级联修正线性单元策略优化神经网络模型，将输出图像融合在原始医学图像组上
步骤S5：部署训练好的Con-Re-LU卷积神经网络模型，对输入的医学图像数据进行预测，识别并标记医学图像中的腋路臂丛神经。
使用Con-Re-LU卷积神经网络模型能够进行深度学习腋路臂丛神经的图像形状，经过多次最大池化与上卷积，再将且将最大池化后的数据参与上卷积，实现了模型参数的训练以及神经图像的识别，且每次结果都能根据输入的原始医学图像组进行学习与跟踪，既能增加识别的准确率，又能增加后续相似图像的识别速度，具有识别神经图像更加准确、高效的优点。
实施例二
一种基于深度学习的腋路臂丛神经的识别系统，如图2所示，包括如下模块：
获取模块1，用于获取腋路臂丛神经的原始医学图像组。
预处理模块2，与获取模块1数据连接，用于预处理原始医学图像组，裁剪原始医学图像组，对原始医学图像组中的腋路臂丛神经依次进行定位并标注从而构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集。
修正模块3，与预处理模块2数据连接，用于对训练集中的医学图像组进行特征增强和扩充，通过调整图像的大小、偏移、亮度、对比度、灰度色阶等参数，增强图像的特征信息，计算生成新的图像并添加进训练集当中。
构建模块14，与修正模块3数据连接，用于构建Con-Re-LU卷积神经网络模型，确定Con-Re-LU卷积神经网络模型的参数，在Con-Re-LU卷积神经网络模型中载入训练集，通过深度学习方法从图像上进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型。如图3所示，构建模块14中包括：
输入组件31，获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；
输入卷积组件32，将输入组件31的输出作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；
第一次卷积组件4，用于将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；
第二次卷积组件5，用于卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；
第三次卷积组件6，用于将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；
第四次卷积组件7，用于将卷积结果四的输出作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；
第五次卷积组件8，用于将卷积结果五的输出作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；
第六次卷积组件9，用于将卷积结果六的输出和卷积结果五的输出经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；
第七次卷积组件10，将卷积结果七和第三次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；
第八次卷积组件101，将卷积结果八和第二次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；
第九次卷积组件102，将卷积结果九和第一次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；
输出卷积组件103，将卷积结果十和输入卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；
输出组件13，将卷积结果十一输出作为输入构建输出层，进行一次二维卷积，使用sigmoid方法获得腋路臂丛神经在图像中的位置范围标记结果，输出标记遮罩数据形成输出图像。
部署模块15，与构建模块14数据连接，用于部署训练好的Con-Re-LU卷积神经网络模型，对输入的医学图像数据进行预测，识别并标记医学图像中的腋路臂丛神经。使用级联修正线性单元策略优化神经网络模型。
融合模块16，用于将输出图像融合在原始医学图像组上。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的腋路臂丛神经的识别方法，其特征在于，包括如下步骤：
步骤S1：获取腋路臂丛神经的原始医学图像组；
步骤S2：预处理原始医学图像组，构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；
步骤S3：对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；
步骤S4：构建卷积神经网络，使用Con-Re-LU算法构建卷积神经网络,在Con-Re-LU卷积神经网络模型中载入训练集，确定Con-Re-LU卷积神经网络的模型参数，进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型并保存；
步骤S5：部署训练好的Con-Re-LU卷积神经网络模型，识别并标记医学图像中的腋路臂丛神经。
2.根据权利要求1所述的方法，其特征在于，所述步骤S4中的方法包括：
获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；
将输出卷积图像作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；
将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；
将卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；
将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；
将输出卷积结果四作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；
将卷积结果五作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；
将卷积结果六和卷积结果五经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；
将卷积结果七和第三次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；
将卷积结果八和第二次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；
将卷积结果九和第一次卷积的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；
将卷积结果十的输出和输入卷积的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；
将卷积结果十一作为输入构建输出层，进行一次二维卷积，获得腋路臂丛神经在图像中的位置范围标记结果，输出标记遮罩数据形成输出图像。
3.根据权利要求2所述的方法，其特征在于，使用sigmoid方法获得标记结果。
4.根据权利要求2所述的方法，其特征在于，使用级联修正线性单元策略优化神经网络模型；
将输出图像融合在原始医学图像组上。
5.根据权利要求2所述的方法，其特征在于，预设算法包括正则化、归一化和/或增强运算。
6.一种基于深度学习的腋路臂丛神经的识别系统，其特征在于，包括如下模块：
获取模块（1），用于获取腋路臂丛神经的原始医学图像组；
预处理模块（2），与所述获取模块（1）数据连接，用于预处理原始医学图像组，构成训练Con-Re-LU卷积神经网络模型所需的带有标注的训练图像，将标注好的图像分为训练集、测试集和调优集；
修正模块（3），与所述预处理模块（2）数据连接，用于对训练集中的医学图像组进行扩充和特征增强，计算生成新的图像并添加进训练集当中；
构建模块（14），与所述修正模块（3）数据连接，用于构建卷积神经网络，在Con-Re-LU卷积神经网络模型中载入训练集，确定Con-Re-LU卷积神经网络模型的参数，进行特征学习，得到训练好的Con-Re-LU卷积神经网络模型并保存；
部署模块（15），与所述构建模块（14）数据连接，用于部署训练好的Con-Re-LU卷积神经网络模型，识别并标记医学图像中的腋路臂丛神经。
7.根据权利要求6所述的系统，其特征在于，所述构建模块（14）中包括：
输入组件（31），获取输入的图像，构建输出卷积图像，输入层批尺寸参数为2的整数次幂；
输入卷积组件（32），将输入组件（31）的输出作为输入构建输入卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果一；
第一次卷积组件（4），用于将卷积结果一作为输入构建第一次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果二；
第二次卷积组件（5），用于卷积结果二作为输入构建第二次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果三；
第三次卷积组件（6），用于将卷积结果三作为输入构建第三次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，平均值池化后输出卷积结果四；
第四次卷积组件（7），用于将卷积结果五的输出作为输入构建第四次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果五；
第五次卷积组件（8），用于将卷积结果五的输出作为输入构建第五次卷积层，进行一次连接并进行数据补足，使用修正线性单元激活层，卷积层使用预设算法调整，输出卷积结果六；
第六次卷积组件（9），用于将卷积结果六的输出和卷积结果五的输出经过复制和裁剪进行连接，作为输入构建第六次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，输出卷积结果七；
第七次卷积组件（10），将卷积结果七和第三次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第七次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果八；
第八次卷积组件（101），将卷积结果八和第二次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第八次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果九；
第九次卷积组件（102），将卷积结果九和第一次卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建第九次卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十；
输出卷积组件（103），将卷积结果十和输入卷积组件的中间输出经过复制和裁剪进行连接，作为输入构建输出卷积层，进行两次二维卷积，每次卷积后使用修正线性单元激活层，向上卷积后输出卷积结果十一；
输出组件（13），将卷积结果十一输出作为输入构建输出层，进行一次二维卷积，获得腋路臂丛神经在图像中的位置范围标记结果，输出标记遮罩数据形成输出图像。
8.根据权利要求7所述的系统，其特征在于，使用sigmoid方法获得标记结果。
9.根据权利要求7所述的系统，其特征在于，使用级联修正线性单元策略优化神经网络模型；
还包括：融合模块（16），用于将输出图像融合在原始医学图像组上。
10.根据权利要求7所述的系统，其特征在于，预设算法包括正则化、归一化和/或增强运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910665910.4A CN110414589A (zh) | 2019-07-23 | 2019-07-23 | 基于深度学习的腋路臂丛神经的识别方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910665910.4A CN110414589A (zh) | 2019-07-23 | 2019-07-23 | 基于深度学习的腋路臂丛神经的识别方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414589A true CN110414589A (zh) | 2019-11-05 |
Family
ID=68362592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910665910.4A Pending CN110414589A (zh) | 2019-07-23 | 2019-07-23 | 基于深度学习的腋路臂丛神经的识别方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414589A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292324A (zh) * | 2020-03-20 | 2020-06-16 | 电子科技大学 | 一种针对臂丛神经超声图像的多目标识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
| US20190019020A1 (en) * | 2017-07-17 | 2019-01-17 | Open Text Corporation | Systems and methods for image based content capture and extraction utilizing deep learning neural network and bounding box detection training techniques |
-
2019
- 2019-07-23 CN CN201910665910.4A patent/CN110414589A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190019020A1 (en) * | 2017-07-17 | 2019-01-17 | Open Text Corporation | Systems and methods for image based content capture and extraction utilizing deep learning neural network and bounding box detection training techniques |
| CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李刚森: ""基于深度学习的细胞核图像分割方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 龙法宁等: ""基于卷积神经网络的臂丛神经超声图像分割方法"", 《合肥工业大学学报（自然科学版）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292324A (zh) * | 2020-03-20 | 2020-06-16 | 电子科技大学 | 一种针对臂丛神经超声图像的多目标识别方法及系统 |
| CN111292324B (zh) * | 2020-03-20 | 2022-03-01 | 电子科技大学 | 一种针对臂丛神经超声图像的多目标识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117611B (zh) | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 | |
| CN110399915A (zh) | 一种基于深度学习的超声图像识别方法及其系统 | |
| Guo et al. | Classification of thyroid ultrasound standard plane images using ResNet-18 networks | |
| CN103985105B (zh) | 基于统计建模的Contourlet域多模态医学图像融合方法 | |
| CN107203989A (zh) | 基于全卷积神经网络的端对端胸部ct图像分割方法 | |
| Antczak et al. | Stenosis detection with deep convolutional neural networks | |
| CN109637660A (zh) | 一种基于深度卷积神经网络的舌诊分析方法及系统 | |
| CN111341437B (zh) | 基于舌图像的消化道疾病判断辅助系统 | |
| CN111311703A (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
| CN110363760A (zh) | 用于识别医学图像的计算机系统 | |
| US20210059758A1 (en) | System and Method for Identification, Labeling, and Tracking of a Medical Instrument | |
| CN109919212A (zh) | 消化道内镜影像中肿瘤的多尺度检测方法及装置 | |
| CN109255354A (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| CN110414405A (zh) | 基于深度学习的肌间沟臂丛神经的识别方法及其系统 | |
| Liu et al. | Automated classification and measurement of fetal ultrasound images with attention feature pyramid network | |
| CN116258732A (zh) | 一种基于pet/ct图像跨模态特征融合的食管癌肿瘤靶区分割方法 | |
| CN110414589A (zh) | 基于深度学习的腋路臂丛神经的识别方法及其系统 | |
| CN110070125A (zh) | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 | |
| CN111402231B (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
| CN109636864A (zh) | 一种基于颜色校正与深度卷积神经网络的舌分割方法及系统 | |
| CN111951950B (zh) | 基于深度学习的三维数据医疗分类系统 | |
| CN110276417A (zh) | 基于深度学习的锁骨上臂丛神经的识别方法及其系统 | |
| CN110148114A (zh) | 一种基于2d断层扫描图数据集的深度学习模型训练方法 | |
| CN114419309A (zh) | 一种基于大脑T1-w磁共振影像的高维特征自动提取方法 | |
| Pandey et al. | An approach to remove extraneous slices from CT for kidney segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |