[發明專利]醫學圖像分割模型、方法、存儲介質及電子設備

有效

• 申請號: 201910622541.0
• 申請日: 2019-07-10
• 公開（公告）號: CN110335276B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 鄭秀娟;袁鑫;吉彬;劉凱;楊曉梅;李彬
• 申請（專利權）人: 四川大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G16H30/20;G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 安衛靜

1.一種醫學圖像分割模型，其特征在于，包括：輸入層、復合U型卷積網絡和圖像輸出層，

所述輸入層用于對待分割圖像進行包含采樣操作的處理，并將處理后得到的特征圖輸出至所述復合U型卷積網絡，其中，所述輸入層輸出的特征圖中包含對應不同采樣程度的特征圖；

所述復合U型卷積網絡包括至少兩個通過串聯方式和跳躍連接方式連接的U型卷積網絡，用于對所述輸入層輸出的特征圖進行包含卷積操作的處理，并將處理后的特征圖輸出至所述圖像輸出層；

所述圖像輸出層，用于根據所述復合U型卷積網絡輸出的特征圖確定出分割后的圖像并輸出；

其中，所述復合U型卷積網絡包括：包含第一編碼單元和第一解碼單元的第一U型卷積網絡和包含第二編碼單元和第二解碼單元的第二U型卷積網絡，

所述第一編碼單元與所述第二編碼單元連接，所述第二編碼單元與所述第二解碼單元連接，所述第二解碼單元與所述第一解碼單元連接，所述第一編碼單元與所述第一解碼單元連接；

所述第一編碼單元與所述輸入層連接，用于處理所述輸入層輸出的特征圖。

2.根據權利要求1所述的醫學圖像分割模型，其特征在于，所述醫學圖像分割模型還包括：融合層，

所述融合層連接在所述輸入層與所述第一編碼單元之間，和/或連接在所述第一編碼單元與所述第二編碼單元之間，和/或連接在所述第二編碼單元與所述第二解碼單元之間，和/或連接在所述第二解碼單元與所述第一解碼單元之間，用于對所述復合U型卷積網絡進行多尺度輸入。

3.根據權利要求1所述的醫學圖像分割模型，其特征在于，所述第一U型卷積網絡的深度與所述第二U型卷積網絡的深度不同。

4.根據權利要求1所述的醫學圖像分割模型，其特征在于，所述第一編碼單元和所述第二編碼單元中至少一個采用多尺度卷積模塊，所述第一解碼單元和所述第二解碼單元中至少一個采用循環卷積模塊。

5.根據權利要求4所述的醫學圖像分割模型，其特征在于，所述多尺度卷積模塊中包括：A×1的卷積核和1×B的卷積核，和/或N個C×C的卷積核，

在包括A×1的卷積核和1×B的卷積核而不包括N個C×C的卷積核時，所述多尺度卷積模塊中每個卷積核大小為其正常值的在包括N個C×C的卷積核而不包括A×1的卷積核和1×B的卷積核時，所述多尺度卷積模塊中每個卷積核大小為其正常值的在包括A×1的卷積核和1×B的卷積核且包括N個C×C的卷積核時，所述多尺度卷積模塊中每個卷積核大小為其正常值的其中，A、B、C為大于1的正整數，N為正整數。

6.根據權利要求4所述的醫學圖像分割模型，其特征在于，所述循環卷積模塊中包括：

E×E的卷積核和1×1的卷積核，所述1×1的卷積核用于降維和添加非線性激勵，所述循環卷積模塊中每個卷積核大小為其正常值的其中，E為大于1的正整數。

7.根據權利要求2-6中任一項所述的醫學圖像分割模型，其特征在于，所述輸入層、所述第一編碼單元、所述第二編碼單元、所述第二解碼單元、所述第一解碼單元之間形成M-1個通道，所述圖像輸出層包括：包含M個輸出模塊的側輸出層和總輸出層，

所述側輸出層中的一輸出模塊與處于一通道的第二解碼單元的部分連接，用于根據處于該通道的第二解碼單元的部分輸出的特征圖確定出對應該通道的預測圖，并輸出至所述總輸出層；所述側輸出層中其余M-1個輸出模塊分別與M-1個通道內的第一解碼單元一一對應連接，用于根據對應的第一解碼單元輸出的特征圖確定出對應通道的預測圖，并輸出至所述總輸出層，其中，所述預測圖反映所述復合U型卷積網絡中對應通道對所述待分割圖像的處理結果，M2；

所述總輸出層與所述側輸出層連接，用于根據所述側輸出層輸出的預測圖確定出分割后的圖像并輸出。

8.一種醫學圖像分割方法，其特征在于，應用于如權利要求1-7中任一項所述的醫學圖像分割模型，包括：

獲取待分割的醫學圖像；

將所述待分割的醫學圖像輸入所述醫學圖像分割模型中，以獲取所述待分割的醫學圖像的分割結果。

9.根據權利要求8所述的醫學圖像分割方法，其特征在于，在將所述待分割的醫學圖像輸入所述醫學圖像分割模型，以獲取待分割的醫學圖像之前，還包括：

初始化所述醫學圖像分割模型；

輸入訓練集中的醫學圖像至所述醫學圖像分割模型，并計算實際輸出和專家標定的每層損失函數，以確定出總體損失函數，其中，所述訓練集為原始醫學圖像中專家標定的部分醫學圖像；

極小化所述每層損失函數，利用反向傳播方式進行所述醫學圖像分割模型的參數更新；

利用所述訓練集中的所有醫學圖像重復訓練所述醫學圖像分割模型，直到達到訓練周期，保存經驗證集驗證的精度最好的醫學圖像分割模型，其中，所述驗證集為所述原始醫學圖像中的部分醫學圖像，且所述驗證集中的醫學圖像與所述訓練集中的醫學圖像不同。