[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

本發明屬于圖像處理與計算機視覺技術領域，涉及基于U?net網絡結構的生物醫學圖像自動分割新方法，包括將生物醫學數據集分為訓練集和測試集，對測試集和擴增處理后的測試集進行歸一化預處理；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層生成分類概率圖；通過集中性損失函數計算分類概率圖與金標準的誤差，通過梯度后向傳播方法，獲得網絡模型的權重參數；將測試集中的圖像輸改進的U?net網絡模型，輸出圖像經過softmax層生成分類概率圖；根據分類概率圖中的類別概率，得到圖像的分割結果圖；本發明解決圖像分割過程中簡單樣本對損失函數的貢獻過大以至于不能很好學習困難樣本等問題。

技術領域

本發明屬于圖像處理與計算機視覺技術領域，特別涉及一種基于U-net網絡結構的生物醫學圖像自動分割新方法。

背景技術

醫學圖像分割對三維定位、三維可視化、手術規劃和計算機輔助診斷等都具有十分重要的意義，是圖像處理與分析的熱點研究領域之一。其方法分為人工分割、半自動分割和自動分割三種。人工分割方法十分耗時，并且依賴于臨床專家的知識經驗等主觀因素，可重復性較差，不能完全滿足臨床上的實時需要。半自動分割方法采取人機交互，在一定程度上提高了分割速度，但仍然依賴于觀察者，限制了其在臨床實踐中的應用。自動分割方法完全借助計算機提取出感興趣區域邊緣，該種方法完全避免了觀察者主觀因素的影響，提高了處理數據的速度，可重復性好。然而，由于在生物醫學中，目標個體結構的復雜變化以及各種醫學成像方式和技術造成的低對比度、噪音等影響，使醫學圖像的可變性很高。因此，自動分割生物醫學圖像成為目前圖像處理的研究熱點之一

近年來，基于像素的方法和基于結構的方法在生物醫學圖像分割方面取得了實質性的進展。這些方法使用手工特征和先驗知識，在一些簡單的分割任務中取得了期望的結果，當應用到具有復雜變化特性的對象時往往效果不佳。最近，深度神經網絡(DNNs)，特別是全卷積神經網絡(FCN)對醫學圖像分割非常有效，被認為是使用深度學習進行圖像分割的基本結構。該網絡通過像素分類達到分割目的，其結構包括向下采樣部分和向上采樣部分。向下采樣部分由卷積層和最大池化層組成，向上采樣部分由卷積層和反卷積(轉置卷積)層組成。U-net是一種基于FCN的醫學圖像分割方法，它包括編碼器(encoder)和解碼器(decoder)兩部分。編碼器和解碼器分別對應FCN中的向下采樣部分和向上采樣部分，解碼器通過跳躍連接編碼器以融合細節特征，從而提高了分割的效果，并在ISBI2015細胞分割大賽中獲得冠軍。隨后，先后提出了一系列基于U-net結構的醫學圖像分割方法，并成功應用于臨床診斷。

在基于U-net結構的分割網絡中，輸入圖像經過編碼器后分辨率變小，解碼器通常使用反卷積或者雙線性插值后再接2×2卷積這兩種方法，逐漸地恢復分辨率并最終輸出分割結果圖。但是，反卷積在卷積之前進行的補零操作以及雙線性插值的不可學習特性，都會影響解碼器的性能。目標的形狀和大小變化復雜是生物醫學圖像分割的主要困難之一。解決該問題通常有兩種方法：一是使用具有空間不變性的手工特征變換算法，如尺度不變特征變換算法(SIFT)。但是，當目標變化太復雜時，該方法往往失效。二是通過數據增強和具有學習幾何變換能力的神經網絡來完成。數據增強是通過一些幾何變換方法如旋轉、翻轉、縮放等增加數據集中圖像的數量，但是非常耗時，不適用于具有復雜幾何變換的目標。空間變換網絡(Spatial Transformer Networks，STNs)是由Jaderberg等人提出的一種卷積神經網絡架構模型，魯棒性很好，具有平移、伸縮、旋轉、擾動、彎曲等空間不變性，其在一些小圖像分類任務上獲得了不錯的效果。STNs通過學習全局變換參數(比如仿射變換)來扭曲特征圖。但是，學習全局變換參數是困難的，并且非常耗時。可變形卷積也具有學習幾何變換的能力，其通過局部且密集的方式在特征圖上采樣生成新的特征圖，以適應圖像的幾何變化。相較于STNs，可變形卷積的計算量更小且更容易訓練。