[發明專利]一種基于邊界引導深度學習的圖像分割算法

在審

• 申請號: 202010875313.7
• 申請日: 2020-08-27
• 公開（公告）號: CN112102259A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 王雷;沈梅曉;常倩;施策;陳浩
• 申請（專利權）人: 溫州醫科大學附屬眼視光醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06N3/04;G06N3/08
• 代理公司: 溫州金甌專利事務所(普通合伙) 33237
• 代理人: 王宏雷

一種基于邊界引導深度學習的圖像分割算法，通過設計三個不同的卷積模塊和兩個不同的子網絡，對經典的U?Net網絡進行改進，從而構建一個具有邊界引導特性的圖像分割網絡，執行圖像中興趣目標及其邊界的同時提取，本發明可用于圖像分割任務中，并且能夠獲得相對較高的分割精度，可為目標空間定位，病灶探測及其形態量化提供重要理論支撐。

技術領域

本發明涉及圖像分割與處理技術領域，具體涉及一種基于邊界引導深度學習的圖像分割算法。

背景技術

圖像分割是一個從圖像中探測并提取興趣目標的處理技術，其通過分析圖像不同區域具有的灰度分布特性、組織對比度、以及組織之間的關聯性，實現興趣目標的有效分割。這種處理技術能夠輔助圖像的理解與分析、病灶的探測與定位，以及病灶區域的形態測量等任務中，因而具有十分重要的臨床診斷價值和學術研究意義。為準確執行圖像分割，大量的分割算法被開發出來，并被粗略地分為無監督(unsupervised)和有監督(supervised)的分割算法。(a)無監督分割算法主要根據圖像自身的灰度分布特性和組織對比度等信息，通過形態學操作或閾值法等傳統的計算機視覺技術，執行興趣目標的探測與提取。這類算法通常具有較高的計算效率，能夠有效分割成像質量好的圖像。然而，它們無法有效處理具有較弱組織對比度，嚴重成像偽影或噪聲的圖像。特別地，這些算法往往涉及較多的依靠經驗賦值的參數，無法大規模處理不同成像條件的圖像而具有有限的應用價值。(b)有監督分割算法在圖像處理中一般需要人工的干預，通過選擇適當的特征信息或者手工標注，執行興趣區域的分割。這類算法由于特征信息的使用，能夠在一定程度上降低偽影或噪聲等不利成像條件的影響，從而優于無監督的圖像分割算法。然而，特征信息的獲取需要大量的背景知識，并且獲取的信息可能與興趣目標具有較弱的關聯性，從而影響算法的分割性能。為了自動探測圖像中的各種特征信息，基于深度學習的監督分割算法在近幾年得到了廣泛的關注。這些基于深度學習的算法中，U-Net是較為流行的一個分割網絡，被大量應用于各種醫學圖像的分割任務中，并能夠獲得較高的分割性能。然而，這種U型分割網絡無法有效凸顯與興趣目標密切相關的特征信息，且容易丟失某些關鍵的圖像信息，從而在目標的邊界區域具有相對較低的分割精度。為了改善U-Net網絡在邊界區域的分割性能，就需要設計合適的卷積模塊和網絡架構，執行目標及其邊界的準確分割。

作為一個經典的分割網絡，U-Net雖然能獲得較好的分割性能，但是在某些情況下具有有限的邊界探測精度。這主要因為(a)U-Net網絡對編碼卷積特征無差別地進行解碼處理，不僅容易受到不相關的冗余特征的干擾，而且導致關鍵的目標特征在分割中具有較低的作用權重；(b)分割網絡多次使用圖像下采樣操作，極大降低了圖像的分辨率，導致大量結構紋理的丟失，引發目標邊界的模糊。這些不足導致U-Net網絡無法有效處理目標的邊界區域，尤其是輸入圖像存在較弱的組織對比度，嚴重的成像偽影或噪聲等現象的時候。為了克服U-Net網絡存在的不足，便需要設計合適的深度學習網絡，通過對相鄰兩個卷積層之間的特征信息進行必要的處理，突顯圖像中與興趣目標密切相關的邊界信息，提升分割網絡對目標邊界的探測敏感性，實現目標及其邊界的同時準確分割。

發明內容

為了解決現有技術存在的技術缺陷，特別是針對圖像存在較低的組織對比度，嚴重的成像偽影或噪聲等現象時的分割處理的問題，本發明提供了一種基于邊界引導深度學習的圖像分割算法。

本發明采用的技術解決方案是：一種基于邊界引導深度學習的圖像分割算法，包括以下步驟：

(1)根據傳統邊界探測算法，構建三個不同的卷積模塊，即編碼卷積模塊、解碼卷積模塊、以及邊界意識卷積模塊，實現輸入圖像中目標卷積特征和邊界卷積特征的探測；

(2)將三種不同的卷積模塊整合到經典的U型網絡中，構造兩個不同的網絡分支，分別為目標提取子網絡和邊界探測子網絡，利用它們執行興趣目標及其邊界的準確提取；

(3)有效整合上述兩個子網絡中的卷積特征，實現邊界卷積特征引導的圖像分割。