[發明專利]一種基于雙U型網絡框架的圖像分割方法

在審

• 申請號: 202010207167.0
• 申請日: 2020-03-23
• 公開（公告）號: CN111340816A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 郭薇;周翰遜;張國棟;宮照煊;國翠
• 申請（專利權）人: 沈陽航空航天大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 沈陽維特專利商標事務所(普通合伙) 21229
• 代理人: 甄玉荃

本發明公開了一種基于雙U型網絡框架的圖像分割方法，具體方法如下：S1:將圖像數據劃分為訓練集和測試集；S2:搭建雙U型網絡結構，將訓練集輸入網絡結構中，獲得網絡輸出即分割結果概率圖；所述分割結果概率圖包括邊界及區域信息；S3：根據分割結果概率圖與金標準間的差異計算損失函數；S4：使用反向傳遞降低損失函數，從而更新網絡中的系數；S5:迭代S2?S4所述過程40次，迭代收斂，獲得圖像分割網絡；S6:使用訓練好的圖像分割網絡，對待識別圖像進行識別和分割。本發明同時利用目標區域與邊界來分割圖像，獲得了更好的分割性能。

技術領域

本發明屬于圖像處理領域，尤其涉及一種基于雙U型網絡框架的圖像分割方法。

背景技術

圖像分割是將圖像表示為物理上有意義的連通區域的集合。根據目標與背景的先驗知識，對圖像中的目標、背景進行標記、定位，然后將目標從背景或其他偽目標中分離出來的過程。作為圖像分析的基礎，圖像分割已經被廣泛用于醫學圖像中組織器官的分割。

通常，醫生根據圖像的灰度以及已有的先驗知識來確定器官的邊界。然而，這種手動分割需要花費醫生大量的時間以及精力，并且這樣的工作單調乏味，容易使人疲勞。因此，一些傳統的圖像處理方法已經被應用與器官的分割。然而，由于圖像對比度低，不同患者的器官形狀各有不同以及不同器官間的相似性，獲得較高的自動分割準確性較為困難。因此，具有較好分割性能的器官自動分割方法仍然是未解決的難題。

在圖像分割問題中，待分割目標的金標準通常由人工手動勾畫獲得。然而，現在被廣泛使用的CNNs(卷積神經網絡Convolutional Neural Networks，CNNs)分割方法進將目標的整個區域作為標簽來訓練網絡，并沒有充分利用潛在有用的邊界信息。與僅使用目標區域信息來訓練網絡相比，如果同時充分利用目標的邊界與區域信息，分割結果將大幅度提高。

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中僅使用目標區域信息來訓練網絡，并沒有充分利用潛在有用的邊界信息的技術問題。

為實現上述目的，本發明提供了一種基于雙U型網絡框架的圖像分割方法，該方法包括以下步驟：

S1:將圖像數據劃分為訓練集和測試集；

S2:搭建雙U型網絡結構，將訓練集輸入網絡結構中，獲得網絡輸出即分割結果概率圖；所述分割結果概率圖包括邊界及區域信息；

S3:根據分割結果概率圖與金標準間的差異計算損失函數；

S4:使用反向傳遞降低損失函數，從而更新網絡中的系數；

S5:迭代S2-S4所述過程40次，迭代收斂，獲得圖像分割網絡；

S6:使用訓練好的圖像分割網絡，對待識別圖像進行識別和分割。

具體地，所述圖像數據包括原始CT圖像與相應的醫生手動標記的邊界；

所述邊界的標簽由醫生勾畫的邊界向內側或者向內外兩側膨脹2個像素獲得。

具體地，所述雙U型網絡結構為對稱結構，包括收縮路徑和擴張路徑，輸入來自原始的CT圖像，輸出邊界及區域的概率圖像。

具體地，收縮路徑分別與兩個擴張路徑相連；所述收縮路徑上卷積層的輸出分別與兩個擴張路徑上的卷積層的輸入通過相連接；

所述收縮路徑同時提取邊界及區域的低維特征圖，兩個擴張路徑分別自動提取邊界及區域的高維特征圖；

擴張路徑將特征圖數目從32變為分割的目標數2；利用sigmoid函數將特征圖轉化為分割結果概率圖；使用閾值0.5將概率圖轉化為二值分割結果。