一种基于个性化的层级卷积神经网络的CNV分割方法专利检索-数据处理软件专利检索查询-专利查询网

一种基于个性化的层级 卷积神经网络的CNV分割方法

阅读：487发布：2024-02-21

专利汇可以提供一种基于个性化的层级卷积神经网络的CNV分割方法专利检索，专利查询，专利分析的服务。并且本发明公开一种基于个性化的层级卷积神经网络的CNV分割方法,涉及数据处理技术领域；根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，将二型CNV的图像作为训练集进行训练，得到分割网络；将测试图像输入到层级卷积神经网络中，得到最终的分割结果。，下面是一种基于个性化的层级卷积神经网络的CNV分割方法专利的具体信息内容。

权利要求

1.一种基于个性化的层级卷积神经网络的CNV分割方法，其特征是
根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
将二型CNV的图像作为训练集进行训练，得到分割网络；
将测试图像输入到层级卷积神经网络中，得到最终的分割结果。
2.根据权利要求1所述的方法，其特征是利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。
3.根据权利要求1或2所述的方法，其特征是利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。
4.根据权利要求3所述的方法，其特征是将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。
5.根据权利要求1或4所述的方法，其特征是将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
6.一种基于个性化的层级卷积神经网络的CNV分割工具，其特征是包括标记单元、预判单元、转化单元、分割单元及输入单元，
标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，预判单元建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
转化单元建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，分割单元将二型CNV的图像作为训练集进行训练，得到分割网络；
输入单元将测试图像输入到所述的CNV分割工具中，得到最终的分割结果。
7.根据权利要求6所述的工具，其特征是预判单元利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。
8.根据权利要求6或7所述的工具，其特征是转化单元利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。
9.根据权利要求8所述的工具，其特征是分割单元将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。
10.根据权利要求6或9所述的工具，其特征是输入单元将测试图像输入到所述的CNV分割工具中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。

说明书全文

一种基于个性化的层级卷积神经网络的CNV分割方法

技术领域

[0001] 本发明公开一种基于个性化的层级卷积神经网络的CNV分割方法,涉及数据处理技术领域。

背景技术

[0002] 脉络膜新生血管(ChoroidalNeoVascularisation，CNV)已成为致盲的主要因素之一。OCT图像是脉络膜新生血管辅助检查的常用工具之一。OCT图像灰度分布不均，CNV边缘模糊且形状大小不规则，使得现有分割方法很难取得令人满意的性能。针对现有方法难以精确分割CNV问题，本发明提出了一种基于个性化的层级卷积神经网络的CNV分割方法，提出的网络主要由三个子网络构成，第一个子网络是类型预判网络，通过对CNV的图像占比进行预测，将CNV 分为一型和二型，一型表示CNV在图像占比较小，其余为二型。第二个子网络是一型增强网络，该网络主要对一型CNV进行超分辨率生成，从而提高后期对该类CNV的分割精度。该子网络使用TP-GAN。第三个子网络即分割网络，实现对CNV的分割。相比较现有方法，提出的网络能够显著提高CNV的分割精度，尤其是提高二型CNV的分割精度。

发明内容

[0003] 本发明针对现有技术的问题，提供一种基于个性化的层级卷积神经网络的 CNV分割方法，可用于智慧医疗等领域，识别精度的提高则可提高产品竞争力，更加有助于在“医疗大数据”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益。

[0004] 本发明提出的具体方案是：

[0005] 一种基于个性化的层级卷积神经网络的CNV分割方法：根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，

[0006] 建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，

[0007] 建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，[0008] 将二型CNV的图像作为训练集进行训练，得到分割网络；

[0009] 将测试图像输入到层级卷积神经网络中，得到最终的分割结果。

[0010] 所述的方法中利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。

[0011] 所述的方法中利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。

[0012] 所述的方法中将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。

[0013] 所述的方法中将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，

[0014] 如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；

[0015] 如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。

[0016] 一种基于个性化的层级卷积神经网络的CNV分割工具，包括标记单元、预判单元、转化单元、分割单元及输入单元，

[0017] 标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，[0018] 预判单元建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，

[0019] 转化单元建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，[0020] 分割单元将二型CNV的图像作为训练集进行训练，得到分割网络；

[0021] 输入单元将测试图像输入到所述的CNV分割工具中，得到最终的分割结果。

[0022] 所述的工具中预判单元利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。

[0023] 所述的工具中转化单元利用TP-GAN建立一型CNV的增强网络，将一型CNV 的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。

[0024] 所述的工具中分割单元将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。

[0025] 所述的工具中输入单元将测试图像输入到所述的CNV分割工具中，先经过类型预判子网络对CNV的类型进行预判，

[0026] 如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；

[0027] 如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。

[0028] 本发明的有益之处是：

[0029] 本发明提供一种基于个性化的层级卷积神经网络的CNV分割方法，提出的网络主要由三个子网络构成，第一个子网络是类型预判网络，通过对CNV的图像占比进行预测，将CNV分为一型和二型，方便进一步处理CNV的图像，提高分割精度，第二个子网络是一型增强网络，该网络主要对一型CNV进行超分辨率生成，使一型CNV图像转换为二型CNV图像，从而提高后期对该类CNV的分割精度，第三个子网络即分割网络，实现对二型CNV的图像的分割，相比较现有方法，提出的网络能够显著提高CNV的分割精度，可用于智慧医疗等领域，识别精度的提高则可提高产品竞争力，更加有助于在“医疗大数据”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益。附图说明

[0030] 图1是本发明方法流程示意图。

具体实施方式

[0031] 本发明提供一种基于个性化的层级卷积神经网络的CNV分割方法：根据OCT 图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，

[0032] 建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，

[0033] 建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，[0034] 将二型CNV的图像作为训练集进行训练，得到分割网络；

[0035] 将测试图像输入到层级卷积神经网络中，得到最终的分割结果。

[0036] 同时提供与上述方法相对应的一种基于个性化的层级卷积神经网络的CNV 分割工具，包括标记单元、预判单元、转化单元、分割单元及输入单元，

[0037] 标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，[0038] 预判单元建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，

[0039] 转化单元建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，[0040] 分割单元将二型CNV的图像作为训练集进行训练，得到分割网络；

[0041] 输入单元将测试图像输入到所述的CNV分割工具中，得到最终的分割结果。

[0042] 下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

[0043] 利用本发明方法，具体过程为：

[0044] 根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，可根据疾病鉴别的类型及临床特点进行一型CNV或二型CNV的分类，

[0045] 利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT 图像训练集进行训练，获得类型预判子网络的参数，

[0046] 利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像输入到一型CNV 的增强网络即TP-Gan网络中，，通过学习一型CNV的图像的超分辨率特点，将一型CNV的低分辨率图像生成二型CNV的超分辨率图像，

[0047] 将二型CNV的超分辨率图像作为训练集进行训练，利用全卷积神经网络进行训练，训练得到分割网络；

[0048] 将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，

[0049] 如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；

[0050] 如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。

[0051] 利用本发明工具，具体过程为：

[0052] 标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，可根据疾病鉴别的类型及临床特点进行一型CNV或二型CNV的分类，

[0053] 预判单元利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数，

[0054] 转化单元利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像输入到一型CNV的增强网络即TP-Gan网络中，，通过学习一型CNV的图像的超分辨率特点，将一型CNV的低分辨率图像生成二型CNV的超分辨率图像，

[0055] 分割单元将二型CNV的超分辨率图像作为训练集进行训练，利用全卷积神经网络进行训练，训练得到分割网络；

[0056] 输入单元将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，

[0057] 如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；

[0058] 如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。

[0059] 利用本发明方法或工具可以形成新的CNV分割方案，可用于智慧医疗等领域。识别精度的提高则可提高产品竞争力，更加有助于公司在“医疗大数据”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益。

[0060] 以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

标题	发布/更新时间	阅读量
数据处理方法及相关设备	2020-05-08	438
用于立体车库的车辆数据处理方法、系统和存储介质	2020-05-08	981
基于矩阵稳定性分析的智能交通预测系统	2020-05-08	118
一种电镀产品的入库方法	2020-05-11	936
一种多通道高速率的5G信号处理装置	2020-05-08	486
一种低压配电系统电力数据采集系统	2020-05-08	291
数据处理方法、装置、服务器及存储介质	2020-05-08	613
溯源装置执行的数据处理方法、溯源装置及系统	2020-05-11	730
视频处理方法、装置和电子设备	2020-05-08	913
长期护理保险的数据处理方法、装置、介质与电子设备	2020-05-08	763

一种基于个性化的层级卷积神经网络的CNV分割方法

一种基于个性化的层级卷积神经网络的CNV分割方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：