本发明涉及图像处理，尤其涉及一种基于轻量级神经网络的软组织密度测量方法及系统。
背景技术：
1、由于医学图像的广泛应用及自动化和智能化的需求，通过神经网络模型提高医学图像的使用效率和利用率，能够为临床诊断和治疗提供更好的支持。
2、通常利用影像学的软组织(如肌肉)密度测量方法，需要使用磁共振成像(mri)或计算机断层扫描(ct)扫描来得到影像学数据，并人为划定、计算以确定软组织体积(mv)和解剖横截面积(csa)，从而可以提供较为精确的软组织体积数据，但是这个工作费时费力，效率低下。
3、因此，有必要提出一种新的软组织密度测量方法，能够有效减少测量过程中的人力资源投入，提高了效率。
技术实现思路
1、本发明实施例所要解决的技术问题在于，提供一种基于轻量级神经网络的软组织密度测量方法及系统，能够有效减少测量过程中的人力资源投入，提高了效率。
2、为了解决上述技术问题，本发明实施例提供了一种基于轻量级神经网络的软组织密度测量方法，所述方法包括以下步骤：
3、选取已有软组织图像作为训练集，并将该训练集中所有软组织图像均进行预处理，以形成为训练样本；
4、构建轻量级神经网络模型，并使用训练样本以及bcediceloss对所述轻量级神经网络模型进行训练，得到训练好的轻量级神经网络模型；其中，所述轻量级神经网络模型每一次训练后，均基于dice距离、hausdorff距离和jaccard系数进行评估；
5、获取待测软组织图像并进行预处理，将预处理后的待测软组织图像导入已训练好的轻量级神经网络模型中，得到软组织密度。
6、其中，所述轻量级神经网络模型采用梯度下降算法与反向传播方法进行迭代训练，并在每次迭代训练过程中，基于bcediceloss进行权重更新，直至迭代次数达到预设的训练次数或均方根误差达到预设值为止。
7、其中，所述轻量级神经网络模型为regseg、mobilenetv3及unext之其中一种。
8、其中，所述预处理包括裁剪、调整分辨率至224×224像素、清洗和对齐。
9、其中，所述软组织为肌肉。
10、本发明实施例还提供了一种基于轻量级神经网络的软组织密度测量系统，包括：
11、训练样本获取单元，用于选取已有软组织图像作为训练集，并将该训练集中所有软组织图像均进行预处理，以形成为训练样本；
12、模型训练单元，用于构建轻量级神经网络模型，并使用训练样本以及bcediceloss对所述轻量级神经网络模型进行训练，得到训练好的轻量级神经网络模型；其中，所述轻量级神经网络模型每一次训练后，均基于dice距离、hausdorff距离和jaccard系数进行评估；
13、密度测量单元，用于获取待测软组织图像并进行预处理，将预处理后的待测软组织图像导入已训练好的轻量级神经网络模型中，得到软组织密度。
14、其中，所述轻量级神经网络模型采用梯度下降算法与反向传播方法进行迭代训练，并在每次迭代训练过程中，基于bcediceloss进行权重更新，直至迭代次数达到预设的训练次数或均方根误差达到预设值为止。
15、其中，所述轻量级神经网络模型为regseg、mobilenetv3及unext之其中一种。
16、其中，所述预处理包括裁剪、调整分辨率至224×224像素、清洗和对齐。
17、其中，所述软组织为肌肉。
18、实施本发明实施例，具有如下有益效果：
19、本发明基于轻量级神经网络可以快速计算软组织密度，在无需人工介入的同时可以广泛应用于各类不同算力的硬件平台，从而能够有效减少测量过程中的人力资源投入，提高了效率。
1.一种基于轻量级神经网络的软组织密度测量方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于轻量级神经网络的软组织密度测量方法，其特征在于，所述轻量级神经网络模型采用梯度下降算法与反向传播方法进行迭代训练，并在每次迭代训练过程中，基于bcediceloss进行权重更新，直至迭代次数达到预设的训练次数或均方根误差达到预设值为止。
3.如权利要求2所述的基于轻量级神经网络的软组织密度测量方法，其特征在于，所述轻量级神经网络模型为regseg、mobilenetv3及unext之其中一种。
4.如权利要求1所述的基于轻量级神经网络的软组织密度测量方法，其特征在于，所述预处理包括裁剪、调整分辨率至224×224像素、清洗和对齐。
5.如权利要求1所述的基于轻量级神经网络的软组织密度测量方法，其特征在于，所述软组织为肌肉。
6.一种基于轻量级神经网络的软组织密度测量系统，其特征在于，包括：
7.如权利要求6所述的基于轻量级神经网络的软组织密度测量系统，其特征在于，所述轻量级神经网络模型采用梯度下降算法与反向传播方法进行迭代训练，并在每次迭代训练过程中，基于bcediceloss进行权重更新，直至迭代次数达到预设的训练次数或均方根误差达到预设值为止。
8.如权利要求7所述的基于轻量级神经网络的软组织密度测量系统，其特征在于，所述轻量级神经网络模型为regseg、mobilenetv3及unext之其中一种。
9.如权利要求6所述的基于轻量级神经网络的软组织密度测量系统，其特征在于，所述预处理包括裁剪、调整分辨率至224×224像素、清洗和对齐。
10.如权利要求6所述的基于轻量级神经网络的软组织密度测量系统，其特征在于，所述软组织为肌肉。
