一种基于神经网络的γ光子三维成像特征标记方法与流程

技术特征：
1.一种基于神经网络的γ光子三维成像特征标记方法其特征在于，它包括以下步骤：步骤1：三维图像三角面片的特征向量构建；步骤2：深度卷积神经网络构建；步骤3：根据已有的带特征标记三维图像数据进行深度卷积神经网络训练；步骤4：根据输入的无特征标记三维网络数据进行特征标记概率；步骤5：根据三维图像相邻三角面片间的二面角进行特征标记结果优化。2.根据权利要求1，一种基于神经网络的γ光子三维成像特征标记方法其特征在于三维图像三角面片的特征向量构建；其具体实现过程如下：步骤1
‑
1：计算三角面片的curvature feature(cur)；步骤1
‑
2：计算三角面片的pca feature(pca)；步骤1
‑
3：计算三角面片的shape diameter function(sdf)；步骤1
‑
4：计算三角面片的distance from medial surface；步骤1
‑
5：计算三角面片的average geodesic distance(agd)；步骤1
‑
6：计算三角面片的shape context(sc)；步骤1
‑
7：计算三角面片的spin image(si)。3.根据权利要求1，一种基于神经网络的γ光子三维成像特征标记方法其特征在于深度卷积神经网络构建；其具体实现过程如下：步骤2
‑
1：构建尺寸为7
×
5、输出层数为12的卷积层；步骤2
‑
2：构建缩放因子为2的下采样层；步骤2
‑
3：构建尺寸为5
×
5、输出层数为24的卷积层；步骤2
‑
4：构建缩放因子为2的下采样层。4.根据权利要求1，一种基于神经网络的γ光子三维成像特征标记方法其特征在于根据已有的带特征标记三维图像数据进行深度卷积神经网络训练；其具体实现过程如下：步骤3
‑
1：根据步骤一计算已有的带特征标记三维图像数据的三角面片特征；步骤3
‑
2：前向传导：将上述计算得到的三角面片特征输入到步骤二构建的深度卷积神经网络中，逐层计算，得到每个面片属于各个特征标记的概率步骤3
‑
3：由上述计算得到的概率与己有的特征标记数据相减并做平方运算得到残差；步骤3
‑
4：反向传播：根据计算得到的残差从最后一层往前逐层对每一层的参数求偏导，并逐层更新每层的参数值；步骤3
‑
5：迭代过程(2)
‑
(4)直到残差收敛。5.根据权利要求1，一种基于神经网络的γ光子三维成像特征标记方法其特征在于根据输入的无特征标记三维网络数据进行特征标记概率；计算其具体实现过程如下：步骤4
‑
1：根据步骤1计算无特征标记三维网络数的三角面片特征；步骤4
‑
2：将上述计算得到的三角面片特征输入到步骤三训练得到的深度卷积神经网络中，逐层计算，得到每个面片属于各个特征标记的概率。6.根据权利要求1，一种基于神经网络的γ光子三维成像特征标记方法其特征在于根据三维图像相邻三角面片间的二面角进行特征标记结果优化；其具体实现过程如下：步骤5
‑
1：计算三维网络相邻三角面片间的二面角；步骤5
‑
2：根据步骤四计算得到的特征标记概率与步骤5
‑
1计算得到的二面角，构建图
结构，应用graphcuts算法进行结果优化。

技术总结
本发明提供一种基于神经网络的γ光子三维成像特征标记方法，该方法包括五大步骤：步骤1：三维图像三角面片的特征向量构建：步骤2：深度卷积神经网络构建：步骤3：根据已有的语义标记三维图像数据进行深度卷积神经网络训练；步骤4：根据输入的无语义标记三维图像数据进行语义标记概率计算；步骤5：根据三维图像三角面片间的二面角进行语义标记结果优化。本发明基于训练的深度卷积神经网络，γ光子三维图像特征标记准确率高。特征标记准确率高。特征标记准确率高。


技术研发人员：范兼睿 刘小姣 徐风友 汪玥 张昕婷 沈高青 李志林 颜孟凡 鲍育泓
受保护的技术使用者：南京航空航天大学
技术研发日：2021.08.19
技术公布日：2021/10/23