[发明专利]结肠腺体图像自动分割的深度神经网络算法

权利要求书

1.结肠腺体图像自动分割的深度神经网络算法，其特征在于，包括以下步骤：

(1)构建数据集：结肠腺体数据作为训练集合，获取实例图和轮廓图；

(2)构建模型：模型网络由密集卷积神经网络和Refined U-Net组成，密集卷积神经网络用来提取图像的丰富的初级特征信息，在密集卷积神经网络的后面连接两个Refined U-Net网络，分别用来学习实例和轮廓的特征信息；

(3)确定模型损失函数：损失函数为Jaccard和焦点损失之和；

(4)信息融合：采用双线性插值将输出图像放大，在进行信息融合之前，先采用形态学腐蚀操作将边界变细，其融合图像计算公式定义为：

I_A＝I_M(1-I_C)

其中I_A为信息融合后的二值图像A，I_M为实例图像，I_C为轮廓图像，为矩阵像素按位与运算；

连续性优化：对二值分割图A采用形态学开操作，纤细化分离物体和平滑较大物体边界，优化边缘，去除小面积像素；进一步移除小面积像素；对图像空洞填充；

连通域标记：对精细化后二值图像A进行连通域标记，识别不同的实例，并对不同实例进行颜色标注，不同颜色代表不同的实例对象。

2.根据权利要求1所述的结肠腺体图像自动分割的深度神经网络算法，其特征在于：所述的损失函数为L_total＝L_focal+L_jaccard，

焦点损失函数L_focal＝-α_t(1-p_t)^γlog(p_t)，其中α为类别不平衡因子，对于类别0，为α∈[0，1]，对于类别1，为1-α，γ为焦点因子，使模型更加集中于困难的错误分类的样本p∈[0，1]为模型的预测概率，p_t为：

Jaccard损失函数

其中p为模型预测的值，y为Ground Truth，c为类别，J_c(p，y)为Ground Truth与预测分割图交集的大小与它们并集的大小的比值，其对应的损失函数为：

L_jaccard＝1-J_c(p，y)。

3.根据权利要求2所述的结肠腺体图像自动分割的深度神经网络算法，其特征在于：焦点损失函数参数选取依据为BF得分：

对于类别c的BF得分数学表达式为：

其中：

P^c为类别c的准确率、R^c为类别c的召回率，为类别c边界二值Ground Truth图，为类别c边界二值边界模型预测图，d(·)表示欧式距离，艾佛森括号记号，方括号内的条件满足则为1，不满足则为0，θ表示距离误差允许范围，最终对计算所有类别的BF平均得分便得到单张图像的BF分数；

4.根据权利要求1-3任一所述的结肠腺体图像自动分割的深度神经网络算法，其特征在于：密集卷积神经网络包括Dense Block和过渡层，每个Dense Block包含4层，增长率为12，初始的卷积核通道数为16，卷积核大小为3×3，步长为1，边缘补零pad为1，过渡层的变化因子为1。

5.根据权利要求4所述的结肠腺体图像自动分割的深度神经网络算法，其特征在于：还包括激活函数，卷积层连接Dropout层，激活函数采用Leaky ReLu。

6.根据权利要求1-3或5任一所述的结肠腺体图像自动分割的深度神经网络算法，其特征在于：Refined U-Net包括编码层和解码层，编码层是重复结构，每次重复中都有两个卷积层；解码层使用亚像素卷积得到高分辨特征图，缩放倍数为2，将亚像素的特征图与编码层中对应特征图特征融合，在特征通道上相加，对特征融合的特征图进行两次卷积操作。