[發明專利]一種基于卷積神經網絡的醫學圖像分割方法及裝置

在審

• 申請號: 202011455188.0
• 申請日: 2020-12-10
• 公開（公告）號: CN112489029A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 張娜;鄭海榮;劉新;申帥;胡戰利;梁棟;李燁;鄒超;賈森
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 北京維正專利代理有限公司 11508
• 代理人: 任志龍

本申請公開一種基于卷積神經網絡的醫學圖像分割數據增強方法及裝置，該方法包括：對獲取的原始圖像進行邊緣增強處理，獲得邊緣增強的原始圖像；將原始圖像和邊緣增強的原始圖像合并生成多通道圖像數據；將獲得的多通道圖像數據作為輸入數據輸入卷積神經網絡模型，將原始圖像的標注數據作為卷積神經網絡模型擬合的目標，對卷積神經網絡模型進行訓練，獲得卷積神經網絡模型參數，以實現對待測圖像按照所述標注數據的類型進行分割。用于解決相關技術中由于訓練樣本數量不足導致的網絡泛化性能降低，從而導致網絡模型測試誤差較大甚至失真的問題。

技術領域

本發明涉及醫學圖像分割技術領域，具體是一種基于卷積神經網絡的醫學圖像分割方法及裝置。

背景技術

卷積神經網絡（Convolutional Neural Networks）是一種深度學習模型或類似于人工神經網絡的多層感知器，常用來分析圖像數據。卷積神經網絡主使用由卷積層和池化層進行特征提取和圖像大小的壓縮。下面以U－net網絡為例對卷積神經網絡在醫學圖像分割過程中的應用進行說明：

是一種卷積神經網絡；是在全卷積神經網絡（FCN）的基礎上發展出來的；能夠有效分割目標圖像要素的網絡。U－net網絡在擬合的過程中，需要計算出每一個神經元的權重（weight）和偏置（bias）兩個參數。

為了擬合這些參數，需要大量的樣本進行網絡的訓練。其中每一組樣本均包含了輸入的原始圖像和網絡要擬合的標注數據。神經網絡的模型具有兩種模式：訓練模式(Train)和評估模式(Eval)。在訓練模式中，將數據一組一組的放入網絡模型進行訓練，模型中的參數隨著訓練能越來越好的反映出輸入到輸出的變化過程。在樣本量足夠的情況下，網絡模型的評價函數(Loss)逐漸收斂時，通常代表網絡獲得了穩定的訓練結果。這時模型的訓練就完成了。在評估模式中，模型的參數不再變動。輸入未經標注的圖像數據，經過訓練完成的模型的計算可以得到擬合的結果。

卷積神經網絡的訓練依賴于大量的圖像數據和標注數據，而在數據量不足的情況下，網絡的泛化性能會受到影響。

發明內容

本申請提供一種基于卷積神經網絡的醫學圖像分割方法及裝置，用于克服現有技術中在訓練樣本數據量不足的情況下，導致網絡的泛化性能會受到影響；實現在樣本量較少的情況下提升模型的準確率并緩解過擬合的產生。

為實現上述目的，第一方面，本申請提供一種基于卷積神經網絡的醫學圖像分割數據增強方法，包括：

對獲取的原始圖像進行邊緣增強處理，獲得邊緣增強的原始圖像；

將原始圖像和邊緣增強的原始圖像合并生成多通道圖像數據；

將獲得的多通道圖像數據作為訓練樣本輸入卷積神經網絡模型，將原始圖像的標注數據作為卷積神經網絡模型擬合的目標，對卷積神經網絡模型進行訓練，獲得訓練的卷積神經網絡；

通過訓練的卷積神經網絡對待測圖像進行測試以實現對待測圖像按照所述標注數據的類型進行分割。

通過采用上述的技術方案，在能作為訓練樣本的數據量較少、訓練樣本中能被網絡模型提取的有效特征信息不足的情況下，通過在訓練樣本中增加一部分人工特征及邊緣信息可以增加每一個數據樣本的特征信息，進而提升網絡的泛化性能，實現降低網絡擬合需要的樣本量的技術效果。

優選的，上述方法還包括：

將待測圖像進行邊緣增強處理，獲得邊緣增強的待測圖像；

將待測圖像和邊緣增強的待測圖像合并生成多通道圖像數據；

將獲得的多通道圖像數據輸入訓練獲得的卷積神經網絡中進行擬合，獲得分割圖像。