[發明專利]一種于改進SegNet分割網絡的淋巴結檢測方法

在審

• 申請號: 201910152279.8
• 申請日: 2019-02-28
• 公開（公告）號: CN109949276A
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 曹漢強;徐國平
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

本發明公開了一種基于改進SegNet分割網絡的淋巴結檢測方法，包括：將淋巴結圖像數據集劃分為訓練集和測試集；構建基于空洞卷積操作的SegNet分割網絡；使用訓練集訓練SegNet分割網絡，以正余弦交叉熵損失函數最小化為網絡優化目標函數，優化SegNet分割網絡；使用訓練好的SegNet分割網絡，對待識別淋巴圖像中的淋巴結進行識別和分割。本發明使用空洞卷積提取特征，在不增加額外計算量的情況下，增加它的感受野區域，避免了下采樣信息丟失，解決了采樣圖像分辨率降低的問題。通過正余弦交叉熵損失函數對預測誤差小的樣本給予比交叉熵損失函數更小的權重，解決了訓練正負樣本不均衡問題。通過馬爾科夫隨機場對分割結果進行后處理，實現對分割對象邊緣部分的進一步精細化。

技術領域

本發明屬于圖像分割技術領域，更具體地，涉及一種基于改進SegNet分割網絡的淋巴結檢測方法。

背景技術

傳統的醫學圖像分割技術，可分為三大類：(1)完全基于圖像的分割，分割所需信息全部來自圖像本身；(2)基于目標模型的方法，這類方法加入了對所需分割對象的先驗信息(比如，對象的形狀信息)。常見的有基于圖(Atlas)的分割方法；(3)混合方法，首先使用基于圖像的信息進行初步的分割，然后基于先驗性約束信息，實現對目標的進一步分割?；谏疃葘W習技術的語義分割網絡屬于第一類分割技術，即分割所需的信息全部從圖像中提取。由于不需要人工從圖像中提取特征，且具有很好的分割結果，因而已成為當前醫學圖像分割領域的研究熱點。

當前，有許多不同的基于深度學習的分割網絡，如FCN、SegNet、DeepLab-V3等，在自然圖像分割中得到了大量的研究。SegNet是一種基于卷積運算組成的語義分割網絡，它由編碼單元和解碼單元兩個部分組成。然而，基于SegNet的淋巴結分割方法存在以下缺陷：沒有充分考慮到訓練網絡中正負樣本數量不均衡的問題；未能從多尺度多分辨率的角度去對目標的分割。

發明內容

針對現有技術的缺陷，本發明的目的在于解決現有技術沒有充分考慮到訓練網絡中正負樣本數量不均衡、未能從多尺度多分辨率的角度去對目標進行分割的技術問題。

為實現上述目的，第一方面，本發明實施例提供了一種基于改進SegNet分割網絡的淋巴結檢測方法，該方法包括以下步驟：

S1.將淋巴結圖像數據集劃分為訓練集和測試集；

S2.構建基于空洞卷積操作的SegNet分割網絡；

S3.使用訓練集訓練所述SegNet分割網絡，以正余弦交叉熵損失函數最小化為網絡優化目標函數，優化所述SegNet分割網絡；

S4.使用訓練好的SegNet分割網絡，對待識別淋巴圖像中的淋巴結進行識別和分割。

具體地，所述基于空洞卷積操作的SegNet分割網絡，包括特征提取模塊和淋巴結分割模塊；

所述特征提取模塊用于提取淋巴結的多層特征圖，輸入是淋巴結圖像，輸出是一系列特征圖；

所述淋巴結分割模塊用于根據特征提取模塊提取到的特征，逐層對淋巴結進行識別和分割，輸入是來自特征提取模塊中所提取到的一系列特征圖，輸出是每一個像素點的概率經過閾值化后的二值圖像，其和原始淋巴結圖像大小相同。

具體地，所述特征提取模塊由5個編碼單元串聯組成，每個編碼單元由2*空洞卷積層、1*組歸一化層、1*線性修正單元層和1*下采樣層串聯組成；所述淋巴結分割模塊由5個解碼單元和1個Softmax層串聯組成，每個解碼單元由1*上采樣層、2*空洞卷積層、1*組歸一化層和1*線性修正單元層串聯組成。

具體地，所述空洞卷積層用于提取淋巴結圖像特征，空洞卷積操作公式如下：