[發(fā)明專利]一種基于八度卷積改進(jìn)U-net網(wǎng)絡(luò)的圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010598005.4
• 申請(qǐng)日: 2020-06-28
• 公開（公告）號(hào): CN111833352B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設(shè)計(jì)）人: 馬玉良;段曉鵬;李雪;張啟忠;孟明
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06T7/10
• 分類號(hào): G06T7/10;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發(fā)明公開了一種基于八度卷積改進(jìn)U?net網(wǎng)絡(luò)的圖像分割方法，可以用于卵巢CT圖像的分割處理。首先構(gòu)建八度卷積尺度特征融合模塊和分層殘差跳連模塊；再分別用八度卷積和分層殘差跳連替代普通卷積和傳統(tǒng)的復(fù)制跳連，構(gòu)建基于八度卷積改進(jìn)U?net網(wǎng)絡(luò)；分別將進(jìn)行平均池化后的原始圖像與不經(jīng)處理的原始圖像作為低頻與高頻輸入；對(duì)構(gòu)成的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到分割網(wǎng)絡(luò)模型；本發(fā)明方法結(jié)合八度卷積尺度特征融合模塊和分層殘差跳連模塊，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，在卷積層以更小的運(yùn)算量獲取更大的感受野和更多不同尺度的特征信息，在跳連部分以殘差模塊彌補(bǔ)下采樣引起的語義差異和信息缺失，從而減少訓(xùn)練時(shí)間、提高分割精度，緩解圖像分割不足和誤分割問題。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于八度卷積改進(jìn)U-net網(wǎng)絡(luò)的圖像分割方法。

背景技術(shù)

圖像分割方法分為傳統(tǒng)分割法和深度學(xué)習(xí)法，傳統(tǒng)分割法往往分割步驟較多，提取特征時(shí)需要的人工干預(yù)操作更多，算法在不同數(shù)據(jù)集的通用性很低。深度學(xué)習(xí)法通常利用卷積網(wǎng)絡(luò)對(duì)圖像進(jìn)行特征提取，再去訓(xùn)練分類器和卷積核的參數(shù)，分割效果普遍更高，且在不同數(shù)據(jù)集的通用性更好。因此，有必要研究基于深度學(xué)習(xí)的圖像分割方法。

U-net神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)圖像分割法中，在醫(yī)學(xué)圖像分割領(lǐng)域得到最廣泛應(yīng)用的一種。但現(xiàn)有技術(shù)中的利用U-net神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分割還存在諸多問題，首先，卷積層部分使用的傳統(tǒng)卷積模塊感受野較小，對(duì)上下文信息的提取不夠充分，如果通過增加卷積深度以獲取更多信息會(huì)引起參數(shù)量和計(jì)算量驟增，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練所需的時(shí)間增加；其次，現(xiàn)有技術(shù)中的復(fù)制跳連結(jié)構(gòu)忽略了編碼層和經(jīng)過下采樣與上采樣操作后的解碼層之間的語義差異，且直接跳連所提供的信息不足，冗余信息較多，增加了誤分割的概率。

為解決傳統(tǒng)U-net神經(jīng)網(wǎng)絡(luò)中存在的技術(shù)問題，首先，將輸入圖像進(jìn)行平均池化形成低頻圖像，以輸入圖像為高頻圖像，用八度卷積結(jié)構(gòu)替代傳統(tǒng)卷積模塊，利用低頻通道降低空間冗余，同時(shí)可以獲取更大的感受野和不同尺度下的特征，降低存儲(chǔ)和運(yùn)算量，減少訓(xùn)練時(shí)間；在卷積過程中，低頻和高頻特征圖在完成自身信息更新的同時(shí)，還能在彼此之間進(jìn)行信息交互，從而實(shí)現(xiàn)更有效的信息提取，提高訓(xùn)練和測(cè)試的準(zhǔn)確率；其次，利用殘差卷積模塊對(duì)跳連前的特征圖進(jìn)行更新，減少冗余特征，彌補(bǔ)因?yàn)橄虏蓸雍蜕喜蓸硬僮饕鸬男畔⑷笔栴}，降低誤分割的概率；對(duì)淺層跳連使用較多的分層殘差卷積模塊，對(duì)深層跳連使用較少的分層殘差卷積模塊，來解決跳連前后的語義差異問題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于八度卷積改進(jìn)U-net網(wǎng)絡(luò)的圖像分割方法，可以在圖像分割的過程中縮短訓(xùn)練時(shí)間、提高訓(xùn)練和測(cè)試的準(zhǔn)確率，同時(shí)可以降低誤分割的概率。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明的技術(shù)方案如下：

一種基于八度卷積改進(jìn)U-net網(wǎng)絡(luò)的圖像分割方法，包括以下步驟：

步驟1、對(duì)CT圖像進(jìn)行預(yù)處理，把數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，并將訓(xùn)練集進(jìn)行數(shù)據(jù)增廣作為訓(xùn)練輸入；

步驟2、構(gòu)建八度卷積模塊；

所述八度卷積模塊包括高頻分支和低頻分支，高頻分支包括高頻卷積層、平均池化層、高頻到低頻卷積層以及高頻Relu激活層；低頻分支包括低頻卷積層、上采樣層、上采樣Relu激活層、低頻到高頻卷積層以及低頻Relu激活層；

所述高頻卷積層的特征通道數(shù)C₁是輸出總特征通道數(shù)的1-α倍，即：

C₁＝(1-α)×C_all???(1)

其中，α為低頻通道所占總通道數(shù)的比例，C_all是輸出總特征通道數(shù)；

所述低頻卷積層的特征通道數(shù)C₂是輸出總特征通道數(shù)的α倍，即：