[發明專利]一種基于改進U-Net網絡的類器官分割方法及系統

在審

• 申請號: 202211529087.2
• 申請日: 2022-11-30
• 公開（公告）號: CN115760867A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 王霄文;余鵬飛;張樹地;吳春玥;李璐;余國豪;賈瑋迪;顏明強
• 申請（專利權）人: 云南大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06V10/40;G06N3/08;G06N3/0464
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 常祖正

本發明涉及一種基于改進U?Net網絡的類器官分割方法及系統，涉及圖像分割領域，該方法包括：將待分割類器官圖像輸入類器官分割模型，輸出類器官分割圖；類器官分割模型為根據類器官數據集對改進的U?Net訓練得到的；編碼器包括N個依次連接的編碼層和與第N個編碼層連接的特征加強單元，各編碼層均包括動態卷積模塊和下采樣模塊，特征加強單元包括動態卷積模塊和協調注意力模塊，協調注意力模塊用于對輸入的特征信息進行細化和加強；解碼器包括N個依次連接的解碼層，各解碼層均包括依次連接的上采樣模塊和動態卷積模塊；各編碼層和與各編碼層對應的解碼層之間采用注意門跳躍連接；下采樣模塊采用卷積下采樣操作。本發明提高了圖像分割精度。

技術領域

本發明涉及圖像分割領域，特別是涉及一種基于改進U-Net網絡的類器官分割方法及系統。

背景技術

類器官是一種三維模型，相對細胞模型能更好反應個體情況。目前，類器官已經可以模擬大腦、視網膜和腸道等器官。腫瘤類器官直接來源于患者，可以模擬體內腫瘤微環境，使離體培養的腫瘤細胞處在一個更接近于真實環境的狀態，提高了在腫瘤藥物篩選研究應用中的準確性。

近年來隨著人工智能的不斷發展，以SegNet、VGGNet、GAN和ResNet為代表的深度卷積神經網絡廣泛應用于計算機視覺領域。在卷積網絡的加持下醫學影像的采集和分析都取得了巨大的進步，如眼底視網膜病變檢測與分類、腫瘤目標檢測、肺部結節分類等應用。在類器官藥物篩選的研究中，研究人員通常要用肉眼對類器官圖像進行觀察與篩選。這種工作方式強度大，且效率低下，巨大的工作量還可能會導致工作準確率的降低。Shelhamer等在2015年采用全卷積網絡(Fully ConvolutionNetworks，FCN)來進行像素級、端對端的圖像分割任務，FCN算得上是圖像分割領域網絡模型的開篇之作。隨后Ronneberger等在FCN基礎上提出了U-Net，該模型的跳躍連接很好地彌補了FCN在下采樣過程中信息丟失的問題。該模型因為結構簡單、參數量少以及可塑性強等特點，被廣泛用于多種圖像分割任務，尤其是在醫學圖像分割中效果顯著。但是在對醫學圖像中一些細節部分的分割效果還有所欠缺，比如在視網膜血管分割任務中，末端小血管的分割會出現斷裂、缺失等情況。后來的研究者以U-Net為基本框架進行改進，例如Quan等將U-Net分割網絡與第一殘差結構相結合，同時改進跳躍連接，構建了更深的模型來進行分割。Chen等將Transformer模型與U-Net相結合構建出TransUNet，用于多器官分割數據集Synapse(包括8個腹部器官：主動脈、膽囊、脾臟、腎臟等)取得了不錯的分割效果。

目前，由于光學成像時存在成像亮度不均衡、類器官邊界輪廓模糊、類器官重影粘連、與背景對比度低等問題，這些問題影響了類器官的分割精度，類器官的分割精度仍有待提高。

發明內容

本發明的目的是提供一種基于改進U-Net網絡的類器官分割方法及系統，提高了圖像分割精度。

為實現上述目的，本發明提供了如下方案：

一種基于改進U-Net網絡的類器官分割方法，包括：

獲取待分割類器官圖像；

將所述待分割類器官圖像輸入類器官分割模型，輸出類器官分割圖；所述類器官分割模型為根據類器官數據集對改進的U-Net訓練得到的；

所述改進的U-Net的編碼器包括N個依次連接的編碼層和與第N個所述編碼層連接的特征加強單元，各所述編碼層均包括動態卷積模塊和下采樣模塊，所述特征加強單元包括動態卷積模塊和協調注意力模塊，所述協調注意力模塊用于對輸入的特征信息進行細化和加強；解碼器包括N個依次連接的解碼層，各所述解碼層均包括依次連接的上采樣模塊和所述動態卷積模塊；各所述編碼層和與各所述編碼層對應的解碼層之間采用注意門跳躍連接；所述下采樣模塊采用卷積下采樣操作。

可選地，還包括：

對所述類器官分割圖進行二值化；