[发明专利]一种基于人工智能的医学图像分割方法及系统

说明书

本发明公开了一种基于人工智能的医学图像分割方法及系统。所述分割方法包括：将低层次视觉特征输入至低层次视觉特征输入路径进行过滤，确定过滤后的低层次视觉特征以及所述过滤后的低层次视觉特征的通道数；将高层次视觉特征输入至高层次视觉特征输入路径进行调整，根据过滤后的低层次视觉特征的通道数调整高层次视觉特征，确定调整后的高层次视觉特征；经过第二密集连接卷积网络，将过滤后的低层次视觉特征以及调整后的高层次视觉特征进行融合，确定融合特征；根据融合特征生成带分割图像内每个像素点的分类结果；根据分类结果生成分割图像。采用本发明所提供的分割方法及系统能够所分割的图像层次视觉效果以及分割精度。

技术领域

本发明涉及医疗领域，特别是涉及一种基于人工智能的医学图像分割方法及系统。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)通常是临床分析脑结构的最佳选择，在计算机辅助诊断和医疗领域也得到了成功的应用。MRI有四种模态，四种不同的模态通常被用于脑肿瘤手术：T1，T1C，T2和FLAIR；每种形态对不同的肿瘤组织都有不同的反应；MRI对脑肿瘤的分割在放射外科及放射治疗规划中具有重要价值。临床上广泛采用人工分割的方法对脑瘤进行分割，经验丰富的临床医生根据自己的专业知识，手工勾画出感兴趣的领域。然而，手工分割不仅乏味且耗时，而且要求高且成本高，极其依赖于医生的专业技能和丰富的经验，因此，如何自动、准确、高效地分割脑瘤已成为人们迫切需要解决的问题。

深度学习方法指的是具有许多层的神经网络，它们从原始输入图像中提取出层次结构的特征；其中，卷积神经网络(CNNs)已被应用于许多计算机视觉任务中，正推动着语义图像分割的重大进展，卷积神经网络自动从输入图像中学习低层次视觉特征和高层次语义特征；此外，卷积神经网络降低了网络模型的复杂性和权重的数量，使训练具有深层网络成为可能，卷积神经网络还可以直接采用原始图像作为输入，避免了传统识别算法和数据重构过程中复杂的特征提取过程，基于这些优势，深度学习方法在医学图像处理团队中被广泛采用。

然而，传统的CNN网络是一个直接的卷积过程，不能有效地将许多底层特征传播到高层，在最流行的语义分割模型(如FCNs,ResNets)中，采用上采样方法，通过“跳过连接”将从下采样层采集到的低层次视觉特征信息，与在上采样过程中，通过转置卷积得到的相同维度和通道数高层次语义进行连接，在这些融合特征的基础上，将产生新的高层次语义特征。但是，随着网络层数量的增加，在多次“跳过连接(skip connection)”后，底层特性传递到输出层的难度越来越大。在上行采样过程中，传统的端到端方法只是将底层特征直接连接到高层特征，而不考虑融合方式，换句话说，大多数方法忽略了在图像识别中对整个层次特征的充分利用，导致分割的肿瘤图像层次视觉效果低，无法准确高效低分割出肿瘤区域。

发明内容

本发明的目的是提供一种基于人工智能的医学图像分割方法及系统，以解决传统的医学图像分割方法所分割的图像层次视觉效果低，分割精度低的问题。

为实现上述目的，本发明提供了如下方案：

一种基于人工智能的医学图像分割方法，包括：

将低层次视觉特征输入至低层次视觉特征输入路径进行过滤，确定过滤后的低层次视觉特征以及所述过滤后的低层次视觉特征的通道数；所述低层次视觉特征输入路径包括多个密集块以及下采样模块；每个所述密集块由第一密集连接卷积网络以及残差网络融合连接组成；所述残差网络的跳过连接设于所述第一密集连接卷积网络的前后，所述残差网络的跳过连接引入所述下采样模块；多个所述密集块依次连接；前一个密集块的输出为后一个密集块的输入；

将高层次视觉特征输入至高层次视觉特征输入路径进行调整，根据所述过滤后的低层次视觉特征的通道数调整所述高层次视觉特征，确定调整后的高层次视觉特征；所述高层次视觉特征输入路径包括卷积网络以及上采样模块；所述卷积网络用于调整所述高层次视觉特征的维度；所述上采样模块用于采集所述高层次视觉特征的尺寸；