[發明專利]一種輕量多尺度的生物醫學圖像分割方法

有效

• 申請號: 202011480237.6
• 申請日: 2020-12-16
• 公開（公告）號: CN112508958B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 樊永顯;李昌永;徐文楓
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 楊雪梅

本發明公開了一種輕量多尺度的生物醫學圖像分割方法，包括如下步驟：1）獲取公共的生物醫學圖像數據集；2）數據預處理；3）構建模型4）特征提取；5）模型訓練；6）模型評估。這種分割方法可以多尺度提取生物醫學圖像中的特征，還減少了計算時間，避免出現特征信息重疊和冗余，同時還可以保證甚至提高模型的分割精度。

技術領域

本發明涉及生物醫學圖像處理分割的技術，具體是一種輕量多尺度的生物醫學圖像分割方法。

背景技術

生物醫學圖像分割通常是生物醫學圖像處理的第一個關鍵步驟。只有基于精確的分割，隨后才可以進行多種生物學或醫學處理操作，包括細胞計數，定量測量解剖結構，細胞表型分析，亞細胞定位等,為醫生和研究人員提供有價值的診斷信息。盡管常規的圖像處理技術仍然用于此耗時且費力的任務，但由于各種原因(例如處理各種圖像的能力有限，缺乏計算源等)，它們通常無法獲得優化的性上。

隨著基于深度學習的技術飛速發展，許多研究人員開始研究將深度學習技術應用到生物醫學圖像分割中。目前為了追求生物醫學圖像的分割精度，很多的研究人員開始不斷的增加網絡模型的層數和卷積的尺寸，使網絡模型的體量變得越來越大，導致其很難甚至無法應用于真實的臨床環境。針對上述的問題，研究人員開始考慮將深度學習模型進行優化，降低參數量和計算復雜度，減少其體量，該過程成為輕量化。目前的輕量化方法都是針對網絡模型中的特征提取階段進行優化，通過減少特征提取的卷積操作來達到參數量和計算復雜度減少的目標。減少卷積操作勢必會導致網絡模型對生物醫學圖像的特征提取不充分，從而使網絡模型的分割精度下降。為了保證網絡模型的分割精度不下降甚至還會有提升，提出了多尺度的方法，減少特征提取階段的卷積操作的同時，使用類似并行處理的方式，多個尺度提取特征信息，保證網絡模型在輕量化的同時可以不丟失甚至提高分割精度。

在輕量化方法中，Ha et al.提出利用小網絡為大網絡生成權值。對于CNNs，這些權重對于數據集中的每個示例都是相同的，這樣可以實現更大的權值分配，雖然可以獲得更低的參數，但性能卻比原來的網絡差。在多尺度方法中，一個非常強大的網絡架構是PSPNet，它使用位于主干之上的金字塔池化模塊(PPM)來解析場景以提取不同層次的細節。

目前針對生物醫學圖像分割的深度學習方法，不再考慮加深網絡模型結構或增加網絡層數來提升網絡性能，而是希望可以以最少的參數量和最低的計算資源成本來獲取高性能表現的網絡模型。

發明內容

本發明的目的是針對現有技術的不足，而提供一種輕量多尺度的生物醫學圖像分割方法。這種方法可以提取多尺度的生物醫學圖像特征，還減少了計算時間，同時還可以保持高的分割精度。

實現本發明目的的技術方案是：

一種輕量多尺度的生物醫學圖像分割方法，包括如下步驟：

1)獲取公共的生物醫學圖像數據集，包括肺部CT、肝臟CT和細胞的電鏡圖三個數據集，其中每個數據集劃分為訓練集和測試集，每個數據集中80％的圖像作為訓練集，20％的圖像作為測試集；

2)數據預處理：將生物醫學圖像訓練集采用數據增廣方法，即翻轉和旋轉來增加數據集的樣本數量；

3)構建模型：在現有U-Net模型中，將效率不高的傳統卷積替換成金字塔卷積，利用金字塔卷積在編碼部分進行特征提取，替換金字塔卷積之后新的模型稱為PyConvUNet模型；

4)特征提取：采用金字塔卷積對生物醫學圖像訓練集中的圖像進行特征提取，通過金字塔卷積獲取到訓練集圖像中不同尺度的特征信息，接著對提取出來的特征信息進行融合并得到特征圖；

5)模型訓練：利用PyTorch深度學習框架訓練PyConvUNet模型，采用交叉熵損失函數進行模型的參數調整，不斷提高模型的分割精度；