[發明專利]基于U-net網絡結構的生物醫學圖像自動分割新方法

有效

• 申請號: 201811048857.5
• 申請日: 2018-09-10
• 公開（公告）號: CN109191476B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 胡學剛;楊洪光;鄭攀;王良晨
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.基于U-net網絡結構的生物醫學圖像自動分割新方法，其特征在于，包括以下步驟：

S1：將生物醫學數據集分為訓練集和測試集，對訓練集進行數據擴增處理，并對測試集和擴增處理后的訓練集進行歸一化預處理；

S2：將訓練集的圖像輸入改進的U-net網絡模型，輸出圖像經過softmax層生成一個通道數為2的分類概率圖，其中分類概率圖與輸入圖像的分辨率相同；

S3：通過focal loss計算分類概率圖與金標準的誤差，并通過梯度后向傳播方法，獲得改進的U-net網絡模型的權重參數；

S4：將測試集中的圖像輸入S3中訓練好的改進的U-net網絡模型，輸出圖像經過softmax層生成分類概率圖；

S5：根據分類概率圖中的類別概率，取概率最大的類別作為像素位置的類別，得到圖像的分割結果圖；

改進的U-net網絡模型包括可變形編碼器和具有重構上采樣結構的解碼器網絡組成，可變形編碼器的組成依次包括輸入層、第一可變形卷積層、第二可變形卷積層、第一最大池化層、第三可變形卷積層、第四可變形卷積層、第二最大池化層、第五可變形卷積層、第六可變形卷積層、第三最大池化層、第七可變形卷積層、第八可變形卷積層、第四最大池化層、第九可變形卷積層；具有重構上采樣結構的解碼器網絡包括第一常規卷積層、第一重構上采樣層、第二常規卷積層、第三常規卷積層、第二重構上采樣層、第四常規卷積層、第五常規卷積層、第三重構上采樣層、第六常規卷積層、第七常規卷積層、第四重構上采樣層、第八常規卷積層、第九常規卷積層、第十常規卷積層即輸出層；第一常規卷積層與第九可變形卷積層連接，第一重構上采樣層與第八可變形卷積層進行拼接，第二重構上采樣層與第六可變形卷積層進行拼接，第三重構上采樣層與第四可變形卷積層進行拼接，第四重構上采樣層與第二可變形卷積層進行拼接；在每個可變形卷積層和常規卷積層的激活函數之前，均加入組標準化；

重構上采樣層的操作包括：

S31：對于分辨率為h×w，通道數為c的特征圖，首先通過2c個1×1的卷積將其通道數增大2倍；

S32：S31輸出的特征圖經過組標準化操作和relu激活函數，得到了h×w×2c的特征圖；

S33：將S32得到的特征圖分為c/2個部分，每個部分為h×w×4，對每個部分進行重構上采樣，最終生成2h×2w×c/2的特征圖，由此完成分辨率擴大兩倍，通道數縮小一半的上采樣過程。

2.根據權利要求1所述的基于U-net網絡結構的生物醫學圖像自動分割新方法，其特征在于，步驟S1具體包括：

S11：將訓練集中的圖像數據進行旋轉，旋轉角度在(-20°，20°)之間，截取旋轉后的圖像數據的最大矩形；

S12：將旋轉后的圖像數據以80％的概率進行上下翻轉和左右反轉，然后跳至步驟S13：

S13：將圖像數據以80％的概率進行彈性扭曲，然后跳至步驟S14；

S14：將圖像數據進行(50％，80％)范圍的縮放處理，完成數據擴增處理；

S15：計算測試集和擴增處理后的訓練集中圖像數據的均值和標準差，按對比度歸一化公式處理圖像的對比度，其中對比度歸一化公式表示為：

I＝(I-Mean)/Std；

其中，I表示圖像的對比度，Mean表示圖像數據的均值，Std表示圖像數據的標準差。

3.根據權利要求1所述的基于U-net網絡結構的生物醫學圖像自動分割新方法，其特征在于，可變形卷積層的操作包括：

S21：將大小為h×w×c的特征圖輸入可變形卷積層中，使用激活函數為elu 的卷積層對特征圖進行卷積；

S22：將S21中的卷積結果輸入激活函數為rule的卷積層進行卷積操作；

S23：對S22的卷積結果進行重構操作，生成3h×3w×2的偏移域；

S24：利用偏移域對特征圖進行雙線性插值，生成3h×3w×c的特征圖；

S25：將3h×3w×c的特征圖輸入卷積核個數為d、步長為3的3×3卷積層，得到h×w×d的特征圖即可變形卷積的輸出。

4.根據權利要求1所述的基于U-net網絡結構的生物醫學圖像自動分割新方法，其特征在于，集中性損失函數L_focal表示為：

其中，α為常數，為應對類別不平衡的因子；γ為控制難易樣本對損失函數的貢獻差距的參數，且γ＞0；y(x)表示輸入特征圖x；p(x)表示輸入特征圖x的像素點，Ω為輸入特征圖x的值域。