[發明專利]基于級聯卷積的圖像分割方法

在審

• 申請號: 201910248901.5
• 申請日: 2019-03-29
• 公開（公告）號: CN109993735A
• 公開（公告）日: 2019-07-09
• 發明（設計）人: 李孝杰;羅超;史滄紅;吳琴;王錄濤;李俊良;劉書樵;張憲;伍賢宇
• 申請（專利權）人: 成都信息工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/11
• 代理公司: 北京元本知識產權代理事務所 11308
• 代理人: 王紅霞

本發明公開了一種基于級聯卷積的圖像分割方法，涉及圖像分割技術領域。該基于級聯卷積的圖像分割方法包括以下步驟：步驟S1、采集多張病變區域的醫學圖像信息；步驟S2、將采集到的醫學圖像信息的病變區域逐層進行人工邊緣標注，以得到標簽信息；步驟S3、將標簽信息進行標準化預處理，以得到二維數據集；步驟S4、建立基于級聯卷積的多層二維卷積神經網絡，并利用二維數據集對多層二維卷積神經網絡進行訓練，以得到神經網絡模型；步驟S5、輸入待分割病人的醫學圖像信息并進行標準化預處理，以得到待處理二維數據集；步驟S6、將待處理二維數據集輸入至所述神經網絡模型，將所述待分割病人的醫學圖像信息進行自動分割，以得到該病人的病變區域。

技術領域

本發明涉及圖像分割技術領域，特別是涉及一種基于級聯卷積的圖像分割方法。

背景技術

醫學圖像分割的一直受到人們的高度重視，而分割算法又是影響分割效果的關鍵因素，因此學者們不斷地對分割算法進行研究，針對醫學圖像的特點，涌現許多優良的算法，如基于邊界的分割方法、基于區域的分割方法等等，并且在相應年代輔助醫學診斷者進行診斷并產生了積極的效果。

但隨著人們的健康意識逐漸增強和醫學水平的不斷發展，對看病的準確度和效率提出了更高的要求。人們希望能夠用計算機讀入病人診斷的CT(Computed Tomography，電子計算機斷層掃描)、MRI(Magnetic Resonance，磁共振成像)圖像，自動精確地診斷出病人的情況。這對圖像分割的準確度提出了更高的要求，而圖像分割很大的瓶頸在于圖像的特征提取。醫學圖像中有其自身的特點，器官的形狀會發生變化，空間還會發生重疊，并且相鄰器官間的灰度值往往比較接近。目前來看，基于傳統的圖像分割算法特征提取能力有限，很難精確地分割出目標區域，因此就無法保證自動診斷的準確度。而深度學習的出現，恰好能夠彌補傳統分割方法的缺陷，更好地適用于自動診斷。

深度學習具有多隱層，用底層的輸出作為高層的輸入。從下到上是一個無監督學習的過程，它能夠自動學習有用的特征，并將低級的特征表示為高級特征；從上到下是有監督的學習過程，通過帶標簽的數據對整個網絡的參數進行優化、調整，使整個網絡具有更好的特征學習能力。這種特征的學習和表示結構，對圖像的形變、平移有很強的魯棒性。這樣剛好解決了醫學圖像特征不容易學習的難題，我們可以再結合傳統的分類算法，將不同區域分割出來，標記出感興趣的區域，最終完成圖像的分割。

在2014年，Long等人提出了FCN(fully convolutional network，全卷積網絡)方法，設計了一種針對任意大小的輸入圖像，訓練端到端的全卷積網絡的框架，實現逐像素分類，奠定了使用深度網絡解決圖像語義分割問題的基礎框架。FCN方法利用了VGG(VisualGeometry Group Network，神經網絡)16網絡，VGG16網絡具有16個卷積層、5個最大池化層、3個全連接層以及1個softmax(歸一化指數函數)層。FCN將3個全連接層轉換為卷積層，并移除softmax層，將原本用于全圖分類的網絡轉換為生成圖像分割的網絡。該方法的分割準確度為62.2％。

Chen等人在FCN框架的末端增加全連接CRF(conditional random field，條件隨機場)，提出了DeepLab模型，首先使用雙線性插值法對FCN的輸出結果上采樣得到粗糙分割結果，以該結果圖中每個像素為一個節點構造CRF模型并求解，最后對分割結果逐步求精。該方法的分割準確度為71.6％。

Zheng等人將CRF建模為循環神經網絡(recurrent neural network，簡稱RNN)。該網絡可以直接使用BP(back propagation，反向傳播算法)算法進行端到端的訓練，不需要離線地分別訓練CNN和CRF模型。該方法的分割準確度為72.0％。