欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202011076847X
申请人: 淮安昆博信息科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于深度卷积神经网络的椎间盘CT图像检测方法,其特征在于包括如下步骤:步骤1、椎间盘突出图像预处理:

首先转化图像的数据类型,使用去噪、插值方法提高图像的分辨率,并对图像数量少于设定阈值的类别进行数据增强:通过对原始图像进行垂直或水平旋转、随机剪裁、缩放和旋转的技术来扩充椎间盘突出图像数据集;然后在数据集进行划分之后,对其中的图像进行标注和均值计算;

步骤2、基于多骨干网络的特征提取器构建方法:

利用不同结构的骨干网络从图像中提取出的特征信息,然后利用验证集对得到的不同结构的骨干网络进行评估,筛选出最佳的骨干网络;然后对最佳的骨干网络的结构进行调整,利用验证集进行准确率的比较以得到最优结构的骨干网络;

步骤3、区域建议网络中锚框的参数调优:

基于椎间盘突出图像的尺寸和大小限定参数范围,对区域建议网络中的锚框的基本尺寸和大小取不同的数值,在验证集上进行网络性能的评估,得到最佳参数;

步骤4、基于卷积神经网络的图像检测模型训练:

基于步骤2和步骤3分别得到的最优结构的骨干网络和最佳锚框参数,利用训练集和验证集对深度卷积神经网络进行训练和调优;训练时采用非近似联合训练方式,即将区域建议生成网络和检测网络中分类和回归的损失相加,用于对共享的卷积神经网络进行更新;

步骤2所述的基于多骨干网络的特征提取器构建方法,具体实现如下:

2-1.确定多个可用于作为骨干网络的卷积神经网络,并调整它们的结构使之能和目标检测网络的其余部分适配;

2-2.选择网络性能评价指标,并固定目标检测网络其余部分的参数;

2-3.使用训练集和验证集分别对基于各骨干网络的目标检测网络进行训练和优化;

2-4.使用测试集对目标检测网络进行最后的性能评估,选择其中最佳的骨干网络,对最佳骨干网络的卷积层和池化层作进一步调整,并在测试集上进行评估以确定最佳结构;

步骤3所述的区域建议网络中锚框的参数调优,具体实现如下:

3-1.针对训练集中的所有样本,计算图像中已标注的边界框的尺寸和宽高比;

3-2.去除异常情况,统计尺寸和宽高比的具体范围;

3-3.对于得到的尺寸范围,以0.5为一个单位划分为多个层次;对于得到的宽高比范围,下边界向下取整,上边界向上取整,然后以1为一个单位划分为多个层次;

3-4.以3个连续的层次为一组,分别对宽高比和尺寸进行分组;

3-5.从宽高比层次和尺寸层次中各任取一组进行参数组合,作为区域建议网络中锚框的基本参数,在验证集上评估区域建议网络的性能并记录准确率,重复步骤3-5直到所有参数组合评估完毕;

3-6.从步骤3-5中选取准确率最高的一组作为最终锚框的参数;

目标检测网络以FasterR-CNN为基础,整个网络划分为三部分:第一部分为骨干网络,以VGG16为基础,VGG16将卷积部分划分为5个模块,前两个模块包含2个3×3的卷积层,后三个模块包含3个3×3的卷积层,并且在每个卷积模块之后连接了一个最大值池化层;

第二部分为区域建议网络,是一个全卷积网络,能够接受任意尺寸的图片作为输入,最终生成一系列高质量的矩形候选框以及相应的概率;Faster R-CNN直接使用区域建议网络RPN生成建议区域和后续的RoIHead网络共享经由骨干网络卷积得到的特征图,能极大提升候选框的生成速度;

Faster R-CNN是基于非极大抑制算法来从锚框中筛选出RoIs;

第三部分为RoIHead,ProposalTargetCreator是位于RPN和RoIHead之间的过渡网络,主要功能是对RoIs进行评估和筛选;RPN给出的所有RoI并非全部用于训练;首先利用ProposalTargetCreator从中挑选出部分RoI为RoIHead的输入,然后使用RoIPooling将这些不同尺寸的区域全部下采样到统一的尺度。

2.根据权利要求1所述的基于深度卷积神经网络的椎间盘CT图像检测方法,其特征在于RPN生成RoIs的工作过程如下:在RPN生成20000个锚框并计算其属于前景的概率之后,按照概率对锚框进行排序,提取前12000个锚框;

利用回归的位置参数,修正这12000个锚框的位置,得到RoIs;

利用非极大抑制算法,选出和实际边框最为接近的2000个RoIs。