[發(fā)明專利]一種基于多層級神經(jīng)網(wǎng)絡的醫(yī)學圖像分割系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 202011337099.6
• 申請日: 2020-11-25
• 公開（公告）號: CN112330662B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設計）人: 丁熠;鄭偉;曹明生;鄧伏虎;秦臻;譚富元;朱桂欽;張超;邱瀘誼
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

本發(fā)明提供了一種基于多層級神經(jīng)網(wǎng)絡的醫(yī)學圖像分割系統(tǒng)及方法，屬于醫(yī)學圖像處理技術(shù)領域，本發(fā)明將待分割的原始醫(yī)學圖像輸入圖像初始化模型進行初始特征的提取，然后將初始特征輸入到多層級深度特征提取模型中，提取出圖像的多層級深層特征，然后將深層特征輸入到多層級分割模型中，同時將多層級深度特征提取模塊中的深層特征，通過金字塔池化長連接模型，輸入到多層級分割模型中，由多層級分割模型根據(jù)圖像中逐個像素的分類情況，輸出高精度分割后的醫(yī)學圖像，本發(fā)明提供的分割方法提升了醫(yī)學圖像深度特征提取效率，并能夠提高醫(yī)學影像分割的精度。

技術(shù)領域

本發(fā)明屬于醫(yī)學圖像處理技術(shù)領域，尤其涉及一種基于多層級神經(jīng)網(wǎng)絡的醫(yī)學圖像分割系統(tǒng)及方法。

背景技術(shù)

在醫(yī)學圖像處理領域，特別是在腦腫瘤的診斷診斷治療周期中，一個精確可靠的腦腫瘤圖像分割步驟起著關鍵性的作用。在實際的臨床診療過程中，通常是由豐富的臨床診療醫(yī)生根據(jù)自己的專業(yè)領域知識，手工勾畫出感興趣的醫(yī)學圖像區(qū)間，即臨床上廣泛采用人工處理的方法對腦腫瘤圖像進行病灶區(qū)域的分割。然而，由于手工進行腦腫瘤圖像的分割是一項非常繁瑣復雜的工作，因此研究者們在研發(fā)半自動或自動的腦腫瘤圖像分割方法上付出了許多努力。

早期的圖像處理技術(shù)主要是建立于數(shù)字信號處理學科的基礎上，把圖像當作信號特征進行時域和頻域上的分析以及濾波處理等，然而這些操作并不能高效地提取圖像中的隱藏的深層級別的特征，早期的圖像處理技術(shù)只能在相對簡單的圖像處理任務上取得成效。神經(jīng)網(wǎng)絡方法的出現(xiàn)和快速發(fā)展使得改善這些問題的狀況有所好轉(zhuǎn)，神經(jīng)網(wǎng)絡能夠高效的提取出圖像的深層級的特征。目前，卷積神經(jīng)網(wǎng)絡已被應用于眾多計算機視覺處理任務中，正逐步取代原始的圖像處理技術(shù)，卷積神經(jīng)網(wǎng)絡降低了神經(jīng)網(wǎng)絡模型的復雜性，降低了計算所需要的資源開銷，同時卷積神經(jīng)網(wǎng)絡還可以通過自學習的方式，避免了傳統(tǒng)圖像處理算法和數(shù)據(jù)重構(gòu)過程中復雜設計的特征提取過程，基于這些優(yōu)勢，神經(jīng)網(wǎng)絡方法在醫(yī)學圖像處理任務中被廣泛采用。

然而，傳統(tǒng)的神經(jīng)網(wǎng)絡是一個單層級網(wǎng)絡，將圖像從淺層特征到深層特征的過程，提取出的特征豐富度有限，同樣的，在網(wǎng)絡上采樣的過程中，也是只有一個單層級的網(wǎng)絡結(jié)構(gòu)，處理結(jié)果精度不高，另外，在特征由提取階段到上采樣之間的連接方式也較為局限，多數(shù)采用的是同尺寸特征直連的方式，忽略了一些全局特征對局部特征的影響。換句話說，大多數(shù)方法忽略了在神經(jīng)網(wǎng)絡寬度的擴展以及拓展方式，沒有對淺層特征進一步利用，使得獲取的深層特征豐富度不足，從而分割的腦腫瘤圖像效果較差，無法準確高效的分割出病灶區(qū)域。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于多層級神經(jīng)網(wǎng)絡的醫(yī)學圖像分割系統(tǒng)及方法，解決了傳統(tǒng)醫(yī)學圖像分割方法所分割圖像精度不足的問題。

為了達到以上目的，本發(fā)明采用的技術(shù)方案為：

本方案提供一種基于多層級神經(jīng)網(wǎng)絡的醫(yī)學圖像分割系統(tǒng)，包括圖像初始化模塊、多層級深度特征提取模塊、金字塔池化長連接模塊以及多層級分割模塊；

所述圖像初始化模塊，用于將采集的原始醫(yī)學圖像輸入至圖像初始化模型，并利用圖像初始化模型提取原始醫(yī)學圖像的初始化特征；

所述多層級深度特征提取模塊，用于利用原始醫(yī)學圖像的初始化特征訓練多層級深度特征提取模型，并利用訓練后的多層級深度特征提取模型分別提取醫(yī)學圖像的多層級深度特征以及淺層特征；

所述金字塔池化長連接模塊，用于根據(jù)所述醫(yī)學圖像的淺層特征，利用金字塔池化長連接模型彌補多層級深度特征提取模型中丟失的卷積信息，得到全局聚合特征；

所述多層級分割模塊，用于利用醫(yī)學圖像的多層級深度特征以及全局聚合特征訓練多層級分割模型，并利用訓練后的多層級分割模型得到原始醫(yī)學圖像的分割結(jié)果，完成基于多層級神經(jīng)網(wǎng)絡的醫(yī)學圖像分割。