[發明專利]一種基于聯合空間域的多尺度U-Net醫學圖像分割方法

在審

• 申請號: 202211422825.3
• 申請日: 2022-11-14
• 公開（公告）號: CN115760874A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 饒云波;高麗;曾少寧
• 申請（專利權）人: 電子科技大學長三角研究院（湖州）
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06N3/0464;G06N3/0455
• 代理公司: 成都科奧專利事務所(普通合伙) 51101
• 代理人: 蘇亞超

本發明公開了一種基于聯合空間域的多尺度U?Net醫學圖像分割方法，包括獲取原始醫學圖像數據；利用極坐標中心點預測網絡獲得原始醫學圖像的中心點坐標；根據醫學圖像的中心點坐標，將原始醫學圖像轉換為極坐標醫學圖像；構建基于聯合空間域的多尺度U?Net網絡模型，利用極坐標醫學圖像進行模型訓練；利用訓練后的基于聯合空間域的多尺度U?Net網絡模型生成醫學圖像分割結果。本發明采用多層空洞卷積編碼模塊實現多尺度內容融合，并利用中心點和極坐標實現了注意力機制和旋轉不變性，提高了分割精度。

技術領域

本發明涉及醫學圖像分割技術領域，具體涉及一種基于聯合空間域的多尺度U-Net醫學圖像分割方法。

背景技術

醫學圖像分割對于相關疾病的診斷、手術方案的制定至關重要。醫學圖像分割的常見應用場景是識別具有橢圓形狀或類似形狀分布的單個結構，例如大多數器官、皮膚病變、息肉、癌癥等。其中，結直腸癌(CRC)在癌癥發病率中排名第三，在全球癌癥死亡率中排名第二。直腸癌的較好分割和直腸癌的分期與橢圓形直腸的分割密切相關。自U-Net在2015年的圖像分割中實現了高精度，生成了大量的U-Net變體，如DENSEUNET,ResUNet提出了殘差模塊的U-Net結構，將U-Net模型應用于3D圖像。

然而，這些網絡模型忽略了對于要分割的橢圓對象，在極坐標系中具有更好的分割性能，如Dense-Unet,ResUNet，Double-Unet等。雖然一些模型包括利用了極坐標系，但卻只在一個坐標系中進行訓練，忽略了不同空間坐標系對最終分割結果的聯合影響。正如在圖1中所看到的，當直腸內部區域中的像素存在較大差異時，極坐標中的模型可以獲得更好的性能，如圖1(b)。然而，在某些情況下，當分割模型在類似圖1(a)的笛卡爾坐標系中時，分割模型也可以產生良好的結果。結果表明，兩種坐標系對最終結果都有一定的影響。DDNet考慮了兩個坐標系，但將它們并行組合，損害了極坐標變換帶來的注意力效應。而且這些模型的編碼模塊大多沒有注意多尺度空間信息，導致分割精度降低。塞格迪等人僅在最后一個編碼層中利用多尺度空間信息和使用包含過多參數的Inception模塊來獲取多尺度信息。

眾所周知，在深度學習中，有兩種方法可以提高模型的精度。第一種方法是加深模型的深度，即層數，但這可能會帶來巨大的計算開銷。第二種方法是增加網絡的寬度(就像一層中卷積核的數量)，但寬度過大的話會使模型具有大量的參數，在訓練數據量不足時容易造成過擬合。

解決上述問題的基本方法是引入稀疏性，如GoogleNet中提出的Inception結構使用不同尺度的卷積和池化層從前一層的輸出中提取特征，然后將結果組合形成網絡下一層的輸入，并使用1*1卷積對前一層進行特征提取,對該層的輸出進行降維處理。Residualblock被Kaiming He等人提出。在ResNet中。與一般的深度神經網絡相比，Residual block被定義在兩層相互連接的網絡上，即在Residual block中，數據不直接輸入非線性變換單元，而是將元素與原始輸入相加，然后進行非線性變換。這種方法的原因是允許錯誤一直向后傳播。為了更好地加快Inception網絡的訓練速度，Google團隊提出了Inception-ResNet。該網絡結合了上述兩種網絡的優點，用殘差連接取代了傳統Inception結構中的池化層。受

Inception-ResNet和U-Net結構的啟發，CE-Net提出了DAC模塊，在前人的基礎上增加了稠密的Atrous卷積。DAC模塊可以通過多尺度空洞卷積。捕獲更廣泛和更深入的語義特征，并將其嵌入到U-Net編碼模塊的最后一層之后。然而，可以注意到，CE-Net只使用了一次DAC模塊，而其他編碼模塊仍然是傳統的殘差連接模塊，在多次卷積下采樣后也丟失了大量的語義信息。另外，由于DAC模塊的寬度較大，如果直接應用于多層編碼，會帶來大量的參數，容易造成過擬合。