[发明专利]一种基于PSPNet与HED相结合的医学图像骨骼分割方法

说明书

本发明公开了一种基于PSPNet与HED相结合的医学图像骨骼分割方法，将PSPNet与HED相结合组成新的网络结构，利用有限的医学图像进行训练，将胸部图像中的肋骨与脊柱标识并进行提取。本发明使用新型神经网络结构并实现对复杂医学图像的骨骼分割。

技术领域

本发明涉及一种基于PSPNet与HED相结合的医学图像骨骼分割方法，属于计算机图像处理领域。

背景技术

目前传统的医学图像分割方法主要包括基于阈值特性分割和基于区域特性分割等。阈值分割是最常见的直接检测目标区域的分割方法，阈值分割又可以分为单阈值分割方式和多阈值分割方式。单阈值分割只需要选取一个阈值将图像简单的分为背景部分与目标部分，多阈值分割需要设置多个阈值将图像分割为多个目标位置，为了区分不同阈值得到的目标，需要对各个区域进行标记。区域分割的效果取决于阈值的选择，相对于其他分割方法，阈值分割的速度较快、计算简单、效率高。但是这种方法没有充分考虑空间特性，只关注像素的灰度特征，对于噪声图像效果不够理想。

随着深度学习在各个领域的不断发展与应用，卷积神经网络也逐渐应用在图像处理领域中。卷积神经网络在图像分类与图像特征的提取方面有着很好的效果，相对于传统图像分割方法卷积神经网络在分割准确率与精细度上有大幅的提升，凭借着其优秀的效果，卷积神经网络以及一些优秀的神经网络也逐渐应用于医学图像分割中，其中PSPNet就是其中一个优秀的神经网络。PSPNet相对于传统卷积神经网络的改动主要是在语义分割过程中添加了更多的上下文信息(Context Information)。PSPNet通过全局均值池化以及特征融合在FCN的基础上引入更多的上下文信息，提高了复杂场景解析的能力。HED是一个端到端的边缘检测方法，该网络能够得到较好的图像边缘分割结果。

发明内容

为提高现有神经网络在医学图像分割中的分割能力，本发明利用已经提出的性能优异的神经网络来搭建新型神经网络，提供一种一种基于PSPNet与HED相结合的医学图像骨骼分割方法，提高医学图像骨骼分割方面的性能。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于PSPNet与HED相结合的医学图像骨骼分割方法，具体步骤如下：

步骤1，将HED网络与PSPNet网络组合起来搭建新的神经网络：

以HED网络的输出特征替换PSPNet网络中采用空洞卷积策略所提取feature map、与PSPNet网络的金字塔池化模块输出的上采样结果组合后作为PSPNet网络的卷积层的输入；

步骤2，采用现有医学图像作为训练样本，对步骤1中搭建的新的神经网络进行训练；

步骤3，采用步骤2中完成训练的新的神经网络进行骨骼分割。

作为本发明的进一步技术方案，PSPNet网络使用预训练的ResNet模型来进行初始特征图的生成。

作为本发明的进一步技术方案，PSPNet网络的金字塔池化模块为四层金字塔结构。

作为本发明的进一步技术方案，步骤2中的训练样本为若干胸部CT图像及其对应的骨骼分割结果。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明利用现有的神经网络PSPNet与HED来搭建新的神经网络，PSPNet的优势在于金字塔池化层得到的上下文信息能够使网络能够更多的考虑上下文信息；HED的优势在于利用多尺度多层级学习能够很好的实现图像的边缘检测。为了充分结合两者的优势，新的神经网络结构保留了金字塔池化模块并将HED的输出引入到新的神经网络中。本发明相对于PSPNet在分割效果以及各项性能度量值中都有一定的提升。

附图说明

图1为PSPNet与HED网络结构，其中，(a)是PSPNet网络结构，(b)是HED网络结构；