[發明專利]一種基于MEDU-Net+網絡的醫學圖像分割方法和系統

有效

• 申請號: 202110981758.8
• 申請日: 2021-08-25
• 公開（公告）號: CN113781410B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 楊真真;孫雪;楊永鵬;楊震
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/0464;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 陳月菊

本發明公開了一種基于MEDU?Net+網絡的醫學圖像分割方法，包括：采用GoogLeNet中的inception模塊替代原U?Net網絡中用于提取圖像特征信息的3×3卷積層，其包括多個分支以構成多尺度編碼器；對U?Net網絡的解碼器做相應優化，采用多尺度解碼方式以恢復已獲取到的不同尺度的語義信息；其中，編碼器和解碼器的每個分支均一一對應，引入一層一回傳的跳躍連接將編碼端提取的信息直接傳遞至解碼端，中間連接的每一部分都是下一個相鄰層的轉置卷積；結合廣義Dice損失函數和Focal損失函數，根據醫學圖像自身特性引入權重以生成組合形式的損失函數。本發明能夠通過少量的數據盡可能多的學習到圖像特征，得到更好的分割結果。

技術領域

本發明涉及圖像分割技術領域，具體而言涉及一種基于MEDU-Net+網絡的醫學圖像分割方法和系統。

背景技術

隨著人工智能的發展，深度學習方法受到了廣泛的關注，許多高效、方便、簡單的圖像分割方法逐漸被提出。大多數基于深度學習的圖像分割方法需要足夠的圖像進行訓練和測試處理，然而，用于訓練和測試的醫學圖像需要被標注，并且由于專業限制，可以利用的圖像數量總是有限的，所以如何在只有少量數據的情況下，網絡結構自身可以盡可能多的收集信息成為醫學圖像分割領域待解決的問題。U-Net網絡的出現為利用現有的圖像小樣本提供了一種更有效的方法。U-Net網絡通過跳躍連接和獨特的U形對稱結構，能夠準確捕捉到可用圖像中的特征信息。這種特殊的結構使得通過處理少量訓練樣本產生更精確的分割結果成為可能，非常適合醫學圖像分割領域中難以獲得大量有用圖像的情況。

近年來，U-Net及其改進網絡已成為圖像分割領域的研究熱點。由于U-Net網絡具有跳躍連接、獨特的U型結構等架構，可以根據圖像的深淺特征聚合得到更詳細的圖像信息，使得現有的改進U-Net網絡基本上可以從圖像中提取一些相關元素，獲得更準確的圖像分割結果，但是這些方法還是只將關注點放在圖像內部信息上，忽略了待分割目標的細節和邊緣信息。

發明內容

本發明針對現有技術中的不足，提供一種新的多尺度編碼解碼U-Net+網絡(MEDU-Net+)。該網絡不僅關注編碼器中卷積塊的變化，還關注語義信息的恢復過程，并使用多尺度技術來改進所提出的MEDU-Net+解碼器。此外，還提出了一種新的組合損失函數，結合廣義Dice和Focal損失函數的優點來提取更多的邊緣信息，并且在不增加較多參數的情況下獲得了更好的分割性能。本發明能夠通過少量的數據盡可能多的學習到圖像特征，得到更好的分割結果。

為實現上述目的，本發明采用以下技術方案：

第一方面，本發明實施例提出了一種基于MEDU-Net+網絡的醫學圖像分割方法，所述醫學圖像分割方法包括以下步驟：

采用GoogLeNet中的inception模塊替代原U-Net網絡中用于提取圖像特征信息的3×3卷積層，其包括多個分支以構成多尺度編碼器；對MEDU-Net+網絡的解碼器做相應優化，采用多尺度解碼方式以恢復已獲取到的不同尺度的語義信息；其中，編碼器和解碼器的每個分支均一一對應，引入一層一回傳的跳躍連接將編碼端提取的信息直接傳遞至解碼端，中間連接的每一部分都是下一個相鄰層的轉置卷積；

結合廣義Dice損失函數和Focal損失函數，根據醫學圖像自身特性引入權重以生成組合形式的損失函數。

可選地，所述編碼器的每個分支均包含3×3最大池化層、1×1卷積層、3×3卷積層和5×5卷積層，通過1×1卷積層降維使通道間信息進行傳遞，并采用1×1卷積層和5×5卷積層擴展感受野以獲得較之原始3×3卷積層更豐富的語義信息。

可選地，所述解碼器采用多尺度特征融合代替3×3反卷積層進行解碼，在多尺度解碼部分的反卷積塊中增加1×1和5×5的轉置卷積核分支；通過1×1反卷積，在保持特征圖尺度不變的情況下，對非線性特征進行增強。