(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211219356.5 (22)申请日 2022.10.08 (65)同一申请的已公布的文献号 申请公布号 CN 115294160 A (43)申请公布日 2022.11.04 (73)专利权人 长春理工大 学 地址 130022 吉林省长 春市卫星路7089号 (72)发明人 李奇　何思源　武岩　宋雨　高宁　 (74)专利代理 机构 长春众邦菁华知识产权代理 有限公司 2 2214 专利代理师 于晓庆 (51)Int.Cl. G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 111260650 A,2020.0 6.09 审查员 张娜娜 (54)发明名称 面向脊柱影像的轻量化分割网络及其构建 方法和应用 (57)摘要 面向脊柱影像的轻量化分割网络及其构建 方法和应用， 涉及深度学习与医学影像处理领 域， 该分割网络由十个基础卷积模块、 四个节点 模块和一个中心节点模块组成， 各模块之间通过 一种小世界属性的拓扑结构相连； 该分割网络的 平均聚类系数为0.621， 平均路径长度为2.362， 网络参数总量为49 0K。 该分割网络的构建方法包 括： 构建基础卷积模块、 节点模块及中心节点模 块； 构建分割网络的编码侧、 中心侧和解码侧结 构； 以小世界属性的拓扑结构连接各模块； 设置 分割网络的损失函数。 本发明在降低计算成本的 同时能在低计算力条件下保持较高的图像分割 性能， 可在低计算力及嵌入式设备上实现快速部 署。 权利要求书2页 说明书7页 附图4页 CN 115294160 B 2022.12.16 CN 115294160 B 1.一种面向脊柱影像的轻量化分割网络的应用方法， 其特征在于， 利用面向脊柱影像 的轻量化分割网络在实现脊柱组织图像多类分割中的应用； 该面向脊柱影像的轻量化分割 网络由十个基础卷积模块、 四个节点模块和一个中心节点模块组成， 各模块间通过一种小 世界属性的拓扑结构相连； 该分割网络的平均聚类系数为0.621， 平均路径长度为2.362， 网 络参数总量 为490K； 该轻量化分割网络的构建方法包括以下步骤： 步骤一、 构建基础卷积模块、 节点模块及中心 节点模块； 步骤二、 构建编码侧结构、 中心侧结构和解码侧结构； 所述编码侧结构与解码侧结构分别由两个卷积组构 成， 每个卷积组均由两个基础卷积 模块与一个节点模块组成； 所述中心侧结构由一个中心卷积组构成， 所述中心卷积组由两 个基础卷积模块与一个中心节点模块组成； 所述编 码侧结构与中心侧结构的卷积组之 间的 连接均通过最大池化操作实现， 所述中心侧结构与解码侧结构的卷积组间的连接通过上采 样操作实现； 步骤三、 以小世界属性的拓扑 结构连接各模块； 设所构建的分割网络为N， 则分割网络N为一个有向边的集合， 每条有向边代表两个模 块的有向连接， 即每个卷积组内的两个基础卷积模块与一个节点模块构成有向三角， 即第 一基础卷积模块(A1)与第二基础卷积模块(B 1)通过有向边(A1,B 1)相连， 第一基础卷积模 块(A1)与第一节点模块(C1)通过有向边(A1,C1)相连， 第二基础卷积模块(B 1)与第一节点 模块(C1)通过有向边(B1,C1)相连， 以此类推， 第一节点模块(C1)与第三基础卷积模块(A2) 通过有向边(C1,A2)相连， 第一节点模块(C1)与中心节点模块(C3)通过有向边(C1,C3)相 连， 第三基础卷积模块(A2)与第四基础卷积模块(B2)通过有向边(A2,B2)相连， 第三基础卷 积模块(A2)与第二节点模块(C2)通过有向边(A2,C2)相连， 第四基础卷积模块(B2)与第二 节点模块(C2)通过有向边(B2,C2)相连， 第二节点模块(C2)与第五基础卷积模块(A3)通过 有向边(C2,A3)相连， 第二节点模块(C2)与中心节点模块(C3)通过有向边(C2,C3)相连， 第 五基础卷积模块(A3)与第六基础卷积模块(B3)通过有向边(A3,B3)相连， 第五基础卷积模 块(A3)与中心节点模块(C3)通过有向边(A3,C3)相连， 第六基础卷积模块(B3)与中心节点 模块(C3)通过有向边(B3,C3)相连， 中心节点模块(C3)与第七基础卷积模块(A4)通过有向 边(C3,A4)相连， 中心节点模块(C3)与第三节点模块(C4)通过有向边(C3,C4)相连， 中心节 点模块(C3)与第四节点模块(C5)通过有向边(C3,C5)相连， 第七基础卷积模块(A4)与第八 基础卷积模块(B4)通过有向边(A4,B4)相连， 第七基础卷积模块(A4)与第三节点模块(C4) 通过有向边(A4,C4)相连， 第八基础卷积模块(B4)与第三节 点模块(C4)通过有向边(B4,C4) 相连， 第三节 点模块(C4)与第九基础卷积模块(A5)通过有向边(C4,A5)相连， 第九基础卷积 模块(A5)与第十基础卷积模块(B5)通过有向边(A5,B5)相连， 第九基础卷积模块(A5)与第 四节点模块(C5)通过有向边(A5,C5)相连， 第十基础卷积模块(B5)与第四节点模块(C5)通 过有向边(B5,C 5)相连； 所构建的分割网络N 通过以下公式表示： N={(A1,B1),(A1,C1),(B1,C1),(C1,A2),(C1,C3),(A2,B2),(A2,C2),(B2,C2),(C2, A3),(C2,C3),(A3,B3),(A3,C3),(B3,C3),(C3,A4),(C3,C4),(C3,C5),(A4,B 4),(A4,C4), (B4,C4),(C4,A5),(A5,B5),(A5,C 5),(B5,C 5)}；权　利　要　求　书 1/2 页 2 CN 115294160 B 2式中， 有向边(C1,A2)、 (C1,C3)、 (C2,A3)、 (C2,C3)的连接均通过最大池化操作实现， 有 向边(C3,A4)、 (C3,C4)、 (C3,C5)、 (C4,A5)的连接均通过上采样操作实现， 其余有向边均为 层级间的直连； 所述编码侧结构中， 第一个卷积组内的第一基础卷积模块(A1)作为输入模块， 用于输 入脊柱影像与分割标签； 所述解码侧结构中， 第二个卷积组内的第四节点模块(C5)作为输 出模块， 该输出模块连接softmax层作为分割概 率图的输出端； 步骤四、 设置分割网络的损失函数； 所构建的分割网络的损失函数由二类损失函数拓展而成， 设该二类损失函数为Lb， 其表 达式为： 式中， CE表示交叉熵函数， tversky表示Tversky损失函数； 设脊柱影 像中待分割目标区域的像素类别为 n， 则扩展后的损失函数Lm的表达式为： 式中， i表示第i类分割目标， 其对应的二类损失函数为 Lbi； 利用面向脊柱影像的轻量化分割网络在实现脊柱 组织图像多类分割时， 输入的脊柱影 像为人体背部矢状位磁共振(MR)影像图， 所述分割标签标定了7个椎间盘(T11/T12 ‑L5/S1) 区域、 8个椎体(T1 1‑S1)区域以及椎 管内的脑脊液区域。 2.根据权利要求1所述的一种面向脊柱影像的轻量化分割网络的应用方法， 其特征在 于， 每个基础卷积模块由第一卷积层、 第一正则化层、 第一LeakyReLU激活函数层、 可分离卷 积层、 第二卷积层和 第二正则化层依次线性连接组成； 所述第一卷积层的卷积核 大小为3× 3， 所述可分离卷积层的卷积核大小为3 ×1， 所述第二卷积层的卷积核大小为1 ×1。 3.根据权利要求1所述的一种面向脊柱影像的轻量化分割网络的应用方法， 其特征在 于， 每个节 点模块由第三卷积层和第二LeakyReLU激活函数层通过线性连接组成； 所述第三 卷积层的卷积核大小为1 ×1。 4.根据权利要求1所述的一种面向脊柱影像的轻量化分割网络的应用方法， 其特征在 于， 所述中心节点模块由四个第四卷积层和三个第三LeakyReLU激活函数层依次间隔线性 连接组成； 所述第四卷积层的卷积核大小均为1 ×1。 5.根据权利要求1所述的一种面向脊柱影像的轻量化分割网络的应用方法， 其特征在 于， 所述编码侧结构中， 第一个卷积组包括： 第一基础卷积模块(A1)、 第二基础卷积模块 (B1)和第一节点模块(C1)； 第二个卷积组包括： 第三基础卷积模块(A2)、 第四基础卷积模块 (B2)和第二节点模块(C2)； 所述中心侧结构中， 中心卷积组包括： 第五基础 卷积模块(A3)、 第六基础卷积模块(B3) 和中心节点模块(C 3)； 所述解码侧结构中， 第一个卷积组包括： 第七基础卷积模块(A4)、 第八基础卷积模块 (B4)和第三节点模块(C4)； 第二个卷积组包括： 第九基础卷积模块(A5)、 第十基础卷积模块 (B5)和第四节点模块(C 5)。权　利　要　求　书 2/2 页 3 CN 115294160 B 3