[發明專利]一種基于深度學習的圖像分割方法及系統

在審

• 申請號: 202011168588.3
• 申請日: 2020-10-27
• 公開（公告）號: CN112348839A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 文靜;茍俠君;王翊;寧民權
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/136
• 分類號: G06T7/136;G06T7/11;G06T5/20;G06T3/40;G06N3/08;G06N3/04;G16H30/40
• 代理公司: 重慶雙馬智翔專利代理事務所(普通合伙) 50241
• 代理人: 顧曉玲;陳香蘭

本發明公開了一種基于深度學習的圖像分割方法及系統。該方法為：將待分割圖像輸入圖像分割模型，獲得圖像分割結果；圖像分割模型建立過程：S1，構建訓練集和測試集；S2，構建圖像分割卷積網絡；圖像分割卷積網絡包括下采樣鏈路、上采樣鏈路、N個聯接鏈路，下采樣鏈路設有N個下采樣處理塊，上采樣鏈路設有N個上采樣處理塊；第N下采樣處理塊與第N上采樣處理塊通過第N聯接鏈路連接；第n下采樣處理塊與第n上采樣處理塊通過第n聯接鏈路連接，在第n聯接鏈路上設有k個卷積塊，n∈[1,N?1]；S3，利用訓練集對圖像分割卷積網絡進行訓練。在聯接鏈路中設置k個卷積塊，將原圖進行k次卷積操作后再進行拼接，更全面補充信息，提升分割精確度和可靠性。

技術領域

本發明涉及一種圖像分割方法，特別是涉及一種基于深度學習的圖像分割方法及系統。

背景技術

隨著醫療影像學設備的高速發展和全面普及，諸如磁共振成像(MR)、計算機斷層掃描(CT)、超聲掃描等成像技術成為了醫療行業診斷疾病、制定醫療計劃、評估治療結果等醫療步驟中不可或缺的技術。醫學圖像處理中圖像分割是重要環節。

近年來，深度學習的迅速發展使得醫學圖像機器分割取得了顯著的成就，能夠對醫學圖像中的人體器官進行自動分割，相較于傳統的手工分割，極大地提高了圖像分割速度以及節省了人力，但是基于現有深度學習方法的圖像分割方法獲得的分割結果不夠精細，存在著器官邊界模糊，粘連等情況，以及由于CT圖像等醫學圖像具有較多的噪點，對肝、胰、腎臟的分割存在可靠性差、分割效果不盡人意的問題。

發明內容

本發明旨在至少解決現有技術中存在的技術問題，特別創新地提出了一種基于深度學習的圖像分割方法及系統。

為了實現本發明的上述目的，根據本發明的第一個方面，本發明提供了一種基于深度學習的圖像分割方法，包括：將待分割圖像輸入圖像分割模型，獲得圖像分割結果；所述圖像分割模型的建立過程包括：步驟S1，獲取多個樣本圖像并設置標簽圖，構建訓練集和測試集；步驟S2，構建圖像分割卷積網絡；所述圖像分割卷積網絡包括下采樣鏈路、上采樣鏈路、以及N個聯接鏈路，在所述下采樣鏈路中沿圖像數據傳輸方向依次設有第一下采樣處理塊、第二下采樣處理塊、…、第N－1上采樣處理塊和第N下采樣處理塊，在所述上采樣鏈路中沿圖像數據傳輸方向依次設有第N上采樣處理塊、第N－1上采樣處理塊、…、第二上采樣處理塊和第一上采樣處理塊；所述第N下采樣處理塊與第N上采樣處理塊通過第N聯接鏈路連接；第n下采樣處理塊與第n上采樣處理塊通過第n聯接鏈路連接，在所述第n聯接鏈路上設有k個卷積塊，所述n∈[1,N-1]，k為正整數，N為大于1的正整數；步驟S3，利用訓練集對圖像分割卷積網絡進行訓練，利用測試集對訓練后的圖像分割卷積網絡進行驗證：若驗證通過，保存圖像分割卷積網絡的模型參數，獲得圖像分割模型；若驗證不通過，繼續利用訓練集對當前訓練后的圖像分割卷積網絡進行訓練。

上述技術方案：本發明的圖像分割卷積網絡中在聯接鏈路中設置k個卷積塊，跳接時不再使用原圖進行拼接，而是將原圖進行k次卷積操作后再進行拼接，相對于U－Net網絡的現有聯接鏈路，能更全面的補充信息，有利于更深入得提取特征值并進行綜合，提升分割精確度和可靠性。

在本發明的一種優選實施方式中，所述第一下采樣處理塊內依次設有2個卷積層和最大池化層，圖像數據通過2個卷積層后分別進入第一聯接鏈路和最大池化層，所述最大池化層與第二下采樣處理塊連接；所述第二下采樣處理塊內依次設有1個卷積殘差塊和3個恒等殘差塊，圖像數據通過3個恒等殘差塊后分別進入第二聯接鏈路和再通過1個卷積殘差塊后進入第三下采樣處理塊；所述第n'下采樣處理塊內設有3個恒等殘差塊，圖像數據通過3個恒等殘差塊后分別進入第n'三聯接鏈路和再通過1個卷積殘差塊后進入第n'+1下采樣處理塊，所述n'∈[3,N-1]；所述第N下采樣處理塊內設有3個恒等殘差塊，圖像數據通過3個恒等殘差塊后通過第N聯接鏈路傳送至第N上采樣處理塊。