技术特征：
1.一种卷积核生成方法，生成的所述卷积核应用于管状结构分割系统，其特征在于，所述方法包括：根据gabor滤波器原理实施三维gabor滤波器，并构建gabor卷积核；其中，所述gabor卷积核中下一层特征图的单通道结果，基于上一层卷积核的采样值生成；基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述gabor卷积核的权重；基于所述gabor卷积核的cnn模型结构，组合所述gabor卷积核构建的目标模型，其中，所述目标模型包括：特征映射、特征提取和特征融合三部分。2.根据权利要求1所述的方法，其特征在于，根据gabor滤波器原理实施三维gabor滤波器，并构建gabor卷积核的步骤，包括：建立c
in
个gabor卷积核对上层进行采样，并将每一个c
in
中得到的采样值求和，生成下一层特征图m
l+1
的单通道结果，其中，c
in
为上层特征图m
l
的通道数；在第l层结构中，建立c
out
组gabor卷积核其中，每组gabor卷积核包含c
in
个gabor卷积核其中，c
out
为下一层特征图m
l+1
的通道数,生成包含c
out
通道数的下一层特征图m
l+1
。3.根据权利要求1所述的方法，其特征在于，基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述gabor卷积核的权重的步骤，包括：计算每一通道下在l函数下的梯度，并在学习率η下更新g
l
(ω,ψ,σ,θ
i
)，且满足如下条件：足如下条件：4.根据权利要求1所述的方法，其特征在于：所述目标模型的特征映射部分由卷积层m1组成，所述卷积层m1由m0完成一次n通道的卷积并进行3d批规范化和relu激活处理后生成，其中m0为一次训练所选取的样本数建立的单通道特征图；所述特征提取部分引入了gabor卷积核在引入时对m1中的每一通道实施尺度和方向上的特征捕捉，并在通道数合并时将n组特征合并到m2的任一通道中；所述特征融合部分引入了一次卷积实现特征降维以及通道数的合并，使得特征图m
l
从特征空间转移到标记空间中。5.一种卷积核生成装置，生成的所述卷积核应用于管状结构分割系统，其特征在于，所述装置包括：构建模块，用于根据gabor滤波器原理实施三维gabor滤波器，并构建gabor卷积核；其中，所述gabor卷积核中下一层特征图的单通道结果，基于上一层卷积核的采样值生成；更新模块，用于基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述
gabor卷积核的权重；组合模块，用于基于所述gabor卷积核的cnn模型结构，组合所述gabor卷积核构建的目标模型，其中，所述目标模型包括：特征映射、特征提取和特征融合三部分。6.根据权利要求5所述的装置，其特征在于，所述构建模块包括：第一子模块，用于建立c
in
个gabor卷积核对上层进行采样，并将每一个c
in
中得到的采样值求和，生成下一层特征图m
l+1
的单通道结果，其中，c
in
为上层特征图m
l
的通道数；第二子模块，用于在第l层结构中，建立c
out
组gabor卷积核其中，每组gabor卷积核包含c
in
个gabor卷积核其中，c
out
为下一层特征图m
l+1
的通道数,生成包含c
out
通道数的下一层特征图m
l+1
。7.根据权利要求5所述的装置，其特征在于，所述更新模块具体用于：计算每一通道下在l函数下的梯度，并在学习率η下更新g
l
(ω,ψ,σ,θ
i
)，且满足如下条件：足如下条件：8.根据权利要求5所述的装置，其特征在于：所述目标模型的特征映射部分由卷积层m1组成，所述卷积层m1由m0完成一次n通道的卷积并进行3d批规范化和relu激活处理后生成，其中m0为一次训练所选取的样本数建立的单通道特征图；所述特征提取部分引入了gabor卷积核在引入时对m1中的每一通道实施尺度和方向上的特征捕捉，并在通道数合并时将n组特征合并到m2的任一通道中；所述特征融合部分引入了一次卷积实现特征降维以及通道数的合并，使得特征图m
l
从特征空间转移到标记空间中。9.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-4任一项所述的卷积核生成方法的步骤。
技术总结
本发明公开了一种卷积核生成方法和装置、电子设备，属于医学图像处理技术领域，本发明所生成的卷积核应用于管状结构分割系统，其中，卷积核生成方法包括：根据Gabor滤波器原理实施三维Gabor滤波器，并构建Gabor卷积核；基于反向传播原理，根据每一次迭代得到的损失值传递梯度，更新所述Gabor卷积核的权重；基于所述Gabor卷积核的CNN模型结构，组合所述Gabor卷积核构建的目标模型，其中，所述目标模型包括：特征映射、特征提取和特征融合三部分。通过本发明实施例构建的用于管状结构分割的权重可学习Gabor卷积核，可以直接从尺度和方向上增强管状结构的特征，减少CNN的冗余参数，并提取更准确的管状组织。取更准确的管状组织。取更准确的管状组织。
技术研发人员：肖若秀 齐思雨 陈诚 周康能 王志良
受保护的技术使用者：北京科技大学
技术研发日：2022.02.28
技术公布日：2022/6/4