[發明專利]多路多尺度并聯編解碼網絡圖像分割方法、系統及介質

有效

• 申請號: 202011312332.5
• 申請日: 2020-11-20
• 公開（公告）號: CN112216371B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 薛健;黃彬;呂科
• 申請（專利權）人: 中國科學院大學
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 孫楠

1.一種多路多尺度并聯編解碼網絡醫學圖像分割方法，其特征在于，包括以下步驟：

1)將訓練數據進行預處理，然后劃分數據集為訓練集和測試集；

2)訓練集用于訓練多路多尺度編解碼網絡深度學習模型的網絡參數，測試集用于驗證迭代完成的網絡參數的泛化性能，如果測試集精度不滿足預先設定要求則從新劃分數據集進行訓練，如果滿足預先設定要求則保存網絡參數；

3)對待預測數據作與訓練數據相同的預處理，載入訓練好的網絡參數，最后對模型輸入圖像，并得到分割預測結果，分割結果以概率圖表示；

所述對模型輸入圖像，并得到分割預測結果的步驟中，分割預測方法包括以下步驟：

3.1)輸入圖像經過輸入變換模塊，由單通道圖像卷積變換為多通道特征圖；

3.2)設置多路多尺度特征提取模塊的卷積編碼器，其中第一路作尺度不變卷積，其他路做不同尺度的下采樣卷積，對來自步驟3.1)的輸入圖像分別進行卷積編碼后，得到包含原尺度在內的多個尺度的多通道特征子圖；

3.3)各路設置對應尺度的特征提取網絡子模塊，其中特征提取網絡子模塊由單個或多個級聯的Res-Block殘差卷積模塊組成，對來自步驟3.2)的不同尺度的多通道特征子圖進行特征提取；

3.4)設置多路多尺度特征提取模塊的卷積解碼器，其中第一路作尺度不變卷積，其他路做不同尺度的上采樣卷積，對來自步驟3.3)經過特征提取的多個特征子圖進行卷積解碼，得到多個與原尺度相同，且通道數相同的特征子圖；

3.5)設置一個交匯路口網絡模塊，將來自步驟3.4)的特征子圖通過concatenate的方法在卷積通道上疊加，并使用一個降通道卷積和兩個級聯Res-Block殘差卷積模塊將特征信息進一步融合；

3.6)設置一個基于全連接層的輸出模塊，對步驟3.5)的結果進行全連接卷積得到最終的特征子圖，并使用Sigmoid函數對其進行0-1預測，得到最終的輸出概率圖。

2.如權利要求1所述分割方法，其特征在于，所述預處理要求輸入數據圖像與標注圖像的各維度的尺寸大小一致。

3.如權利要求1所述分割方法，其特征在于，所述迭代的總次數e_poch不大于200，達到最優值鄰域的迭代次數epoch不大于100。

4.如權利要求1所述分割方法，其特征在于，所述多路多尺度編解碼網絡深度學習模型包括輸入變換模塊、多路多尺度特征提取模塊和交流路口與輸出模塊；

所述輸入變換模塊包含兩層卷積層，將輸入圖像由單通道圖像卷積變換為與路數對應的多個多通道特征圖；

所述多路多尺度特征提取模塊包括原始尺度與其他尺度的特征提取模塊，原始尺度的特征通過原尺度的卷積編解碼和基于Res-Block網絡特征提取子模塊的結構實現，其他尺度的特征通過變換尺度的下采樣卷積編碼與上采樣解碼卷積解碼，和基于單個或級聯的Res-Block網絡特征提取子模塊的結構實現；

所述交流路口與輸出模塊包括一個通道變換卷積層、兩個級聯的Res-Block的網絡特征提取結構和兩個級聯的FCN層網絡模塊；用于對多路多尺度的特征提取結果進行融合，并輸出預測圖。

5.如權利要求1所述分割方法，其特征在于，對多路多尺度編解碼網絡深度學習模型的訓練方法包括：

對訓練數據和對應標簽進行預處理，將數據集劃分為訓練集和測試集，并設置迭代次數；訓練集用于迭代訓練網絡，計算Loss并利用梯度求導反向傳播更新參數，迭代完成時得到模型的網絡參數；測試集用于驗證網絡參數的有效性，將參數輸入到網絡模型中，計算平均Loss，平均Dice系數和mAP指標，根據預先設定的閾值，此時若達標則保存訓練好的網絡參數，若未達標，需要重新劃分數據集與迭代次數，重新訓練網絡。

6.如權利要求5所述分割方法，其特征在于，訓練階段的Loss計算采用交叉熵(BCELoss)+DiceLoss的混合損失函數。