[發明專利]一種醫學超聲圖像分割方法

有效

• 申請號: 201911409096.6
• 申請日: 2019-12-31
• 公開（公告）號: CN111179275B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 車博;袁浩瀚;羅亮;陳智;方俊;熊雯
• 申請（專利權）人: 電子科技大學;四川省人民醫院
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T5/00
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于深度學習計算機視覺和醫學信息處理技術領域，具體涉及一種醫學超聲圖像分割方法。本發明的方法在通用圖像分割神經網絡模型基礎上，融合多輸入多輸出技術、孔洞卷積技術、小樣本醫學數據增強等多種新型技術，重點解決小樣本學習，超聲圖像對比度低，結節邊緣模糊等難點痛點問題，得到本發明最優分割策略。

技術領域

本發明屬于深度學習計算機視覺和醫學信息處理技術領域，具體涉及一種醫學超聲圖像分割方法。

背景技術

隨著科學技術的進步，醫學影像技術取得了長足的發展，超聲成像技術由于操作簡便、無輻射損傷、成本低等優點，在預防診斷及治療中具有重要價值。目前，在醫學圖像中對感興趣區域進行分割，是進行影像分析和病灶識別的基礎。臨床上廣泛采用人工分割的方法對超聲圖像進行分割，經驗豐富的臨床醫生根據自己的專業知識，手工勾畫感興趣的領域。然而，手工分割不僅耗時，極其依賴醫生的專業技能和豐富的經驗，而且由于超聲圖像具有邊緣模糊，對比度較低等特點，使得人眼視覺分辨十分困難。因此，如何自動且高效的分割超聲圖像已成為人們迫切需要解決的問題。

近年來，深度神經網絡模型—卷積神經網絡(CNN)，為生物醫學圖像分割表現的提升提供了巨大技術支持。卷積神經網絡可以自動學習圖像中低層次視覺特征和高層次語義特征，避免了傳統算法中手工設計并提取圖像特征的復雜過程。然而，傳統CNN無法合理地將底層特征傳播至高層。在語義分割模型(U-NET)中，可以通過跳躍連接等方法，實現低維特征和高維特征的通道融合，完成良好的分割效果。

發明內容

本發明的目的是在超聲醫學圖像處理中，提出一種基于深度學習的網絡Multi-Dilated-Unet(MD-Unet)的超聲圖像分割設計方案，以獲得更好的分割性能。

本發明采用的技術方案是：

一種醫學超聲圖像分割方法，包括以下步驟：

步驟1、對待分割超聲圖像數據進行預處理，得到訓練集、驗證集數據；

步驟2、對訓練集、驗證集數據做數據增強，包括：

1)采用離線增強增加訓練數據的數據量：采用旋轉變換與水平翻轉變換，做10倍增強；

2)利用在線增強增強網絡模型的泛化性：采用旋轉變換、尺度變換、縮放變換、平移變換、顏色對比度變換，用在線迭代器方式在增強數據多樣性的同時減少內存壓力；

步驟3、構建多輸入多輸出空洞卷積U型網絡，包括：

1)多輸入下采樣模塊：下采樣模塊一共4層，多輸入采用圖像多尺度思想，對輸入數據做大小放縮，變為8:4:2:1的四副數據，分別與進網絡的一二三四下采樣層融合；下采樣模塊利用卷積層與最大池化層完成底層特征獲取，依次獲得特征圖；每一層的卷積核大小為3×3，采用空洞卷積r＝2，即在常規卷積核中加入間隔從而增加圖像感受野，第一層到第四層的卷積核數量大小分別為32、64、128、256；

2)上采樣模塊：上采樣模塊一共4層，采用反卷積作為上采樣方式，并利用上采樣模塊依次擴大特征圖像尺寸，減少通道數量，最終得到與輸入數據相同大小的預測圖；每一層的卷積核大小為3×3，從第一層到第四層的卷積核數量大小分別為256、128、64、32；

3)深度監督多輸出模塊：對標簽做4次大小變換，形成8:4:2:1的四副數據，依次作為4層上采樣的輸出層的訓練標簽；

步驟4、將訓練集數據輸入構建的U型網絡進行訓練，得到學習后的卷積神經網絡模型，并在驗證集上進行調參，直到得到最優的模型及其對應參數，獲得訓練好的U型網絡；

步驟5、將預處理后的待分割超聲圖像數據輸入訓練好的U型網絡，得到每個像素的分割結果。