[發(fā)明專利]一種基于U型網(wǎng)絡(luò)的醫(yī)學圖像分割方法

有效

• 申請?zhí)枺?/td>: 202110325496.X
• 申請日: 2021-03-26
• 公開（公告）號: CN113077471B
• 公開（公告）日: 2022-10-14
• 發(fā)明（設(shè)計）人: 張登銀;趙蓉;嚴偉丹
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06F21/62;G06V10/80;G06N3/04;G06N3/08;G06T5/00
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 韓紅莉

1.一種基于U型網(wǎng)絡(luò)的醫(yī)學圖像分割方法，其特征在于，包括以下步驟：

步驟1，從現(xiàn)有醫(yī)學圖像數(shù)據(jù)庫中選擇一種醫(yī)學圖像數(shù)據(jù)集；

步驟2，從醫(yī)學圖像數(shù)據(jù)集中獲取成對的原始圖片及原始圖片中目標區(qū)域的真實分割圖，真實分割圖基于生成器G生成合成圖像；

將合成圖像送入判別器D進行判別，判別器D判斷該合成圖像是否來自于醫(yī)學圖像數(shù)據(jù)集，輸出合成圖像來自于醫(yī)學圖像數(shù)據(jù)集的概率；

步驟3，將成對的原始圖片和原始圖片中目標區(qū)域的真實分割圖導(dǎo)入生成對抗網(wǎng)絡(luò)中訓練生成對抗網(wǎng)絡(luò)，得到生成器模型，所述生成對抗網(wǎng)絡(luò)的生成對抗聯(lián)合損失函數(shù)為

式中，x為原始圖片的真實分割圖，y為原始圖片，z為隨機噪聲，E[*]表示分布函數(shù)期望值，D(x,y)為輸入為x和y時判別器D的輸出概率值，G(x,z)為合成圖像；

增加L1距離損失，用來約束合成圖像和原始圖片之間的差異，減少模糊：

步驟4，使用步驟3中訓練過的生成器模型生成合成圖像，與原始圖片一起作為多特征融合分割網(wǎng)絡(luò)的輸入數(shù)據(jù)集，將該輸入數(shù)據(jù)集分為訓練集和測試集；

步驟5，利用步驟4中輸入數(shù)據(jù)集對多特征融合分割網(wǎng)絡(luò)進行訓練得到分割網(wǎng)絡(luò)模型，該多特征融合分割網(wǎng)絡(luò)在解碼過程中，每個解碼器層都與來自編碼器的較淺和相同層級的特征映射通過一個膨脹卷積模塊相連接；

步驟6，將待分割的原始圖片輸入到訓練好的分割網(wǎng)絡(luò)模型中進行分割，得到真實分割圖；步驟5中，所述多特征融合分割網(wǎng)絡(luò)包括特征提取和增大分辨率，特征提取包括5個卷積塊和四個下采樣，卷積塊之間通過下采樣連接；增大分辨率包括4個通過上采樣連接的四個卷積塊；生成器G為一個編解碼結(jié)構(gòu)，其中相同層級的殘差塊以類似U-net方式跳躍連接，生成器G包括9個殘差塊、2個步幅為2的下采樣卷積層和兩個轉(zhuǎn)置卷積；

在所有非殘差塊之后，執(zhí)行batch normalization函數(shù)和Relu函數(shù)；判別器D使用與patchGAN相同的馬爾可夫鑒別器模型。

2.根據(jù)權(quán)利要求1所述的一種基于U型網(wǎng)絡(luò)的醫(yī)學圖像分割方法，其特征在于，

步驟3中，所述生成對抗網(wǎng)絡(luò)的訓練包括生成器G的訓練與判別器D的訓練，利用神經(jīng)網(wǎng)絡(luò)的前向傳播和神經(jīng)網(wǎng)絡(luò)的后向傳播，使用梯度下降法交替訓練判別器D與生成器G，直至經(jīng)判別器D鑒定生成器G生成的合成圖像是真圖像的概率為0.5時，訓練結(jié)束，得到生成器模型和判別器模型。

3.根據(jù)權(quán)利要求1所述的一種基于U型網(wǎng)絡(luò)的醫(yī)學圖像分割方法，其特征在于，

步驟5，包括以下步驟：

在所述多特征融合分割網(wǎng)絡(luò)中，設(shè)置損失函數(shù)為集合相似度度量函數(shù)，具體公式為

其中,|A∩B|表示集合A和集合B之間的共同元素，|A|表示A中元素的個數(shù)，|B|表示B中元素的個數(shù)，集合A為輸入數(shù)據(jù)集經(jīng)過多特征融合分割網(wǎng)絡(luò)分割得到的分割圖像，集合B中元素為原始圖片中目標區(qū)域的真實分割圖；

為了計算預(yù)測的真實分割圖的集合相似度度量函數(shù)，將|A∩B|近似為實際分割得到的圖像和真實分割圖像之間的點乘，并將點乘的結(jié)果中每個元素值相加；當損失函數(shù)最小時停止訓練，得到訓練好的分割網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求1所述的一種基于U型網(wǎng)絡(luò)的醫(yī)學圖像分割方法，其特征在于，

卷積塊內(nèi)具體連接順序為3x3卷積層、批量標準化層、Relu激活函數(shù)、3x3卷積層、批量標準化層和Relu激活函數(shù)，每次下采樣使用步幅為2的最大池化，使經(jīng)過卷積層的原始圖片的特征圖大小變?yōu)橄虏蓸又霸紙D片的特征圖大小的一半，原始圖片的特征圖通道數(shù)變?yōu)橄虏蓸又霸紙D片的特征圖通道數(shù)的兩倍，上采樣采用雙線性插值的方法將原始圖片的特征圖的分辨率加倍；

所有的卷積層中，第一層卷積層和最后一層卷積層均使用7x7的卷積核，其他卷積層都使用3x3的卷積核，其中7x7的卷積核使用可分離卷積降低分割網(wǎng)絡(luò)模型的參數(shù)和分割網(wǎng)絡(luò)模型的計算量。