[發明專利]一種基于生成式對抗U-Net網絡的2.5D醫學圖像分割方法

在審

• 申請號: 202210467606.0
• 申請日: 2022-04-29
• 公開（公告）號: CN114842044A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 藍章禮;黃林;李芷汀
• 申請（專利權）人: 重慶交通大學
• 主分類號: G06T7/194
• 分類號: G06T7/194;G06T7/155;G06N3/04;G06N3/08
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 黃河

本發明涉及醫學圖像分割技術領域，具體涉及一種基于生成式對抗U?Net網絡的2.5D醫學圖像分割方法，包括以下步驟：步驟1、獲取待分割的3D醫學圖像；步驟2、分別沿多個軸向對3D醫學圖像進行連續切片，得到各軸向的2D切片圖像組；步驟3、分別將各軸向的2D切片圖像組中的圖像，輸入對應軸向的分割網絡模型中，得到對應軸向的預測分割圖像；其中，所述分割網絡模型包括生成式對抗網絡GAN和U?net模型，并且將U?Net模型作為生成式對抗網絡GAN的生成器；步驟4、分別將各軸向的預測分割圖像進行堆疊，得到對應軸向的3D預測圖像。本方法能夠有效的減少訓練集的量，減少醫學專家的工作負擔；還可以提高分割精度。

技術領域

本發明涉及醫學圖像分割技術領域，具體涉及一種基于生成式對抗U-Net網絡的2.5D醫學圖像分割方法。

背景技術

醫學圖像是疾病診斷的重要依據，傳統的醫學圖像分割通常由醫學專家手動完成，耗時長，分割精確度要求高且受主觀和環境等多種因素影響，非常依賴醫生的經驗。隨著日益增加的閱片量，出現了結合深度學習方法的自動分割方法，來緩解醫生的圖像分割壓力。

目前，主流的自動分割方法，基本上都只適用于2D醫學圖像。而3D醫學圖像的自動分割技術，雖然也有不少系統性的研究，但其分割效果遠沒有2D圖像那么成熟，仍存在一些關鍵性的問題。如果使用2D模型進行3D醫學圖像的自動分割，由于2D模型忽略了z軸方向切片之間的上下文信息，會導致分割精度較低，且從2D切片中無法捕獲3D圖像中所包含的上下文關鍵信息。而如果使用3D模型進行3D醫學圖像的自動分割，3D模型的訓練需要較為夸張的硬件配置和計算資源，計算成本又會過高，曾有業內人員嘗試使用3D網絡結構來分割3D醫學圖像，實驗設備使用到高達24G的視頻隨機存取存儲器(VRAM)來訓練和測試他們的網絡。并且，由于3D網絡模型的大量參數和計算消耗限制了更深更復雜的網絡結構的設計，其收斂效率還很低。

綜上，無論是2D模型還是3D模型都不適用于3D醫學圖像的自動分割。為了解決這樣的問題，出現了能夠相對兼顧分割精度和計算成本的2.5D分割技術。2.5D分割技術的原理為，將3D醫學圖像進行多個軸向的連續切片后，用分割網絡模型對各維度的圖像進行分割預測，并輸出預測結果圖像，再對預測結果圖像進行堆疊還原，最后將不同軸向的堆疊圖像結果進行融合，得到3D分割結果。但是，目前的2.5D分割技術的實際分割效果仍不是特別理想。2.5D分割技術的關鍵，在于對不同維度信息進行處理的分割網絡模型，目前的分割網絡模型都是U-Net 網絡模型。雖然研究人員基于 U-Net 提出了一系列的改進方法，例如將簡單的卷積層換為深度殘差網絡或者空洞卷積、融合不同的損失函數等，雖然分割精度有了一定的提高，但仍不夠特別理想。除此，現有分割網絡模型在完成訓練的過程中，需要較大的訓練集，而為了保證訓練的效果，訓練集需要由相關的醫學專家手動制作，因此，現有的2.5D分割技術，需要醫學專家付出大量的時間和精力來制作訓練集。

發明內容

針對上述現有技術的不足，本發明提供了一種基于生成式對抗U-Net網絡的2.5D醫學圖像分割方法，能夠有效的減少訓練集的量，減少醫學專家的工作負擔；同時還可以提高訓練完成后的分割精度，保證分割結果的準確性。

為了解決上述技術問題，本發明采用了如下的技術方案：

一種基于生成式對抗U-Net網絡的2.5D醫學圖像分割方法，包括以下步驟：

步驟1、獲取待分割的3D醫學圖像；

步驟2、分別沿多個軸向對3D醫學圖像進行連續切片，得到各軸向的2D切片圖像組；

步驟3、分別將各軸向的2D切片圖像組中的圖像，輸入對應軸向的分割網絡模型中，得到對應軸向的預測分割圖像；其中，所述分割網絡模型包括生成式對抗網絡GAN和U-net模型，并且將U-Net模型作為生成式對抗網絡GAN的生成器；

步驟4、分別將各軸向的預測分割圖像進行堆疊，得到對應軸向的3D預測圖像；