[發明專利]一種圖像分割方法和終端

在審

• 申請號: 202010590244.5
• 申請日: 2020-06-24
• 公開（公告）號: CN111724399A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 袁學光;張虎;張陽安;常坤亮;劉夢雅;吳夢琪
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/143;G06T7/194;G06N3/04
• 代理公司: 深圳智趣知識產權代理事務所(普通合伙) 44486
• 代理人: 王策

本發明提出了一種圖像分割方法和終端，該方法包括：獲取待分割的原始圖像數據，并對原始圖像數據進行數據增強，生成第二圖像數據；將原始圖像數據與第二圖像數據分別輸入訓練好的類U?net結構的分割網絡進行識別，得到與原始圖像數據對應的第一概率圖，以及與第二圖像數據對應的第二概率圖；基于第一概率圖對多個第二概率圖進行融合得到預測增強概率圖；對預測增強分割概率圖進行二值化處理得到圖像分割結果。本方法能實現較精準的結節圖像分割，不易受超聲影像成像質量差的影響，且本方法通過預測增強技術，在無須訓練多個模型且不提高單模型本身復雜度的前提下，提高最終的分割效果，能夠顯著抑制邊緣區域的誤分割問題。

技術領域

本發明涉及圖像處理技術領域，特別涉及一種圖像分割方法和終端。

背景技術

甲狀腺結節是現在普遍存在的一種疾病，有調查指出在人群中甲狀腺結節的發生率將近50％，但僅有4％-8％的甲狀腺結節在臨床觸診中可被觸及。甲狀腺結節有良、惡性之分，惡性發生率為5％-10％。早期發現病灶對鑒別其良惡性、臨床治療和手術選擇有重要意義。

基于超聲成像技術的甲狀腺結節超聲檢查是目前常見的檢查方式，然而醫生診斷超聲甲狀腺圖像的結果往往受到醫學成像設備的成像機理、獲取條件、顯示設備等因素的影響而極易造成誤診或漏診。因此，利用計算機實現甲狀腺圖像輔助診斷十分必要。但是固有的成像機制使得臨床采集到的超聲甲狀腺結節圖像質量均較差，導致輔助診斷的準確性和自動化均受到影響。

而在國內應用于甲狀腺分割、識別的方法主要還集中于采用傳統的圖像算法來進行，例如CV模型、LIF模型、局部特征等。這類算法應用局限性較大，需要預先人工提取出超聲影像中結節的粗略位置，并選擇初始輪廓后才能進行分割識別。

由此，傳統的甲狀腺結節影像分割技術，受限于超聲影像噪點多，成像質量較差等因素的干擾，需要將輸入圖像進行預裁切，裁切后的僅包含結節的小圖才能進行結節的分割工作，無法完成端到端的分割結果輸出，并且分割精確程度有限。雖然也有個別通過級聯卷積神經網絡進行甲狀腺結節分割的工作，但其模型較為復雜，需先通過初級網絡進行初步分割，再經過次級網絡進行第二步分割得到結果，兩級模型級聯使得模型的復雜程度較高，訓練難度較大、計算速度較慢。并且對于特征圖層的利用程度較低。

發明內容

針對現有技術中的缺陷，本發明提出了一種圖像分割方法和終端，本方法能實現較精準的結節圖像分割，不易受超聲影像成像質量差的影響，且本方法通過預測增強技術，在無須訓練多個模型且不提高單模型本身復雜度的前提下，提高最終的分割效果，能夠顯著抑制邊緣區域的誤分割問題。

具體的，本發明提出了以下具體的實施例：

本發明實施例提出了一種圖像分割方法，包括：

獲取待分割的原始圖像數據，并對所述原始圖像數據進行數據增強，生成第二圖像數據；

將所述原始圖像數據與所述第二圖像數據分別輸入訓練好的類U-net結構的分割網絡進行識別，得到與所述原始圖像數據對應的第一概率圖以及與所述第二圖像數據對應的第二概率圖；其中，所述第一概率圖與所述第二概率圖均為包含每個像素的前景背景概率的分割像素概率圖；

基于所述第一概率圖對多個所述第二概率圖進行融合得到預測增強概率圖；

對所述預測增強概率圖進行二值化處理得到圖像分割結果。

在一個具體的實施例中，所述分割網絡包括采用上下采樣結構的多個Resnet卷積層的級聯。

在一個具體的實施例中，所述分割網絡為單隱藏層的全連接神經網絡。

在一個具體的實施例中，所述數據增強的方法包括：旋轉、鏡像、放縮、或彈性變換。

在一個具體的實施例中，所述基于所述第一概率圖對多個所述第二概率圖進行融合得到預測增強概率圖，包括：