[發明專利]一種基于單程多任務卷積神經網絡的醫學圖像分割方法

在審

• 申請號: 201811135259.1
• 申請日: 2018-09-27
• 公開（公告）號: CN109360208A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 丁長興;周晨紅;黃英杰
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裴磊磊

本發明公開了一種基于單程多任務卷積神經網絡的醫學圖像分割方法，先利用網絡把分割任務拆成三個不同但關聯的子任務；子任務一對圖像進行粗分割，確定完整組織大致區域；子任務二對該區進行膨脹和精細分割，得到區內體素的精確組織類別和完整組織精確位置；子任務三用精分割來掃描完整組織內的體素，決策出增強組織位置；然后三個子任務用課程學習策略由易到難分階段訓練，實現子任務間的數據和參數共享；最后通過后處理法改善分類錯誤問題并輸出最終分割結果。本發明將關聯子任務合成單一網絡同時訓練，改進了級聯模型逐一訓練子任務的缺點并更好解決了類別不平衡問題，單程運算實現了對圖像由粗到精的分割，系統復雜性降低之余提高了分割效果。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于單程多任務卷積神經網絡的醫學圖像分割方法。

背景技術

隨著科學技術的發展，計算機斷層掃描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、正電子發射斷層成像(Positron EmissionTomography，PET)和電子內窺鏡(Endoscopy)等現代醫療成像技術及設備得到迅猛發展和普及。在這些技術和設備投入使用之后，我們可以方便地獲得大量的醫學影像資料，并通過計算機等設備處理、觀察、分析病人的患病組織或器官，使得醫療人員可以更清晰地了解病情，大幅度縮短確診時間并提高診斷準確率。值得注意的是，醫學圖像分割技術是放射科醫生為病人進行臨床診斷的一種有力手段，圖像分割技術的成熟程度往往決定了病人的康復速度。

由此可見，醫學圖像分割是決定醫學圖像在臨床診療中能否提供可靠信息的關鍵，目前國內外已有眾多學者投入到該領域的研究當中。至于常用的醫學圖像分割方法，主要包括傳統的分割方法和基于深度學習的分割方法兩種。傳統的方法包括：基于閾值的分割、基于邊緣的分割、基于區域的分割、基于運動的分割、基于活動輪廓模型的分割等。然而，在以上傳統分割方法的基礎上，學者們已對它們做出了大量的改進和優化，如基于圖論、圖譜引導、數學形態學、模糊聚類、小波變換的分割等。另一方面，由于深度學習算法在醫學圖像分割中的應用，醫學圖像分割技術在近年來取得了顯著的進展。Wu Xundong等人提出的基于迭代卷積神經網絡的細胞膜分割方法，通過在細胞膜檢測概率圖上迭代使用卷積神經網絡算法，細胞膜的分割精度有了一定的提升。Stollenga等人首次在六個方向上使用3D LSTM-RNN對腦部MR圖像進行分割，用金字塔方式重新排列MD-LSTM中傳統的長方體計算順序，使得網絡可以在GPU上并行訓練，大大提高了網絡訓練的效率。Adermatt等人使用帶有門控單元的3D RNN網絡分割MR圖像中的灰質和白質，結合數據預處理和后處理操作，進一步提高了分割準確率。Wang等人把多任務的腦部組織分割分解成三個連續的一系列二分類分解任務，且每個任務通過獨立的網絡來進行訓練，該做法能夠有效地緩解類不平衡性問題，但它是用提高系統復雜度和忽略任務關聯性來作為代價的。

分析以上的分割方法可知，每種方法適用于不同的特定場合，且分割效果各有優劣。鑒于基于深度學習的分割方法學習能力強，且其分割效果一般比傳統的分割方法好，因此當今醫學圖像分割技術是朝著深度學習的方向發展的。但深度學習使用的模型結構往往非常復雜，且訓練過程中會產生極其龐大的參數量，這對計算機的硬件配置要求非常高。這一系列問題，導致了基于深度學習的分割方法應該向結構簡單化、參數少量化的方向發展。

發明內容

本發明的目的是針對現有技術的不足，提供了一種基于單程多任務卷積神經網絡的醫學圖像分割方法，所述方法提出了一個模型結構簡單化、參數少量化且分割效果較好的深度學習模型，使得所述方法更為簡潔、魯棒性更強，分割效果也更為理想。

本發明的目的可以通過如下技術方案實現：

一種基于單程多任務卷積神經網絡的醫學圖像分割方法，所述方法包括以下步驟：