[发明专利]一种基于双U型网络框架的图像分割方法

说明书

本发明公开了一种基于双U型网络框架的图像分割方法，具体方法如下：S1:将图像数据划分为训练集和测试集；S2:搭建双U型网络结构，将训练集输入网络结构中，获得网络输出即分割结果概率图；所述分割结果概率图包括边界及区域信息；S3：根据分割结果概率图与金标准间的差异计算损失函数；S4：使用反向传递降低损失函数，从而更新网络中的系数；S5:迭代S2‑S4所述过程40次，迭代收敛，获得图像分割网络；S6:使用训练好的图像分割网络，对待识别图像进行识别和分割。本发明同时利用目标区域与边界来分割图像，获得了更好的分割性能。

技术领域

本发明属于图像处理领域，尤其涉及一种基于双U型网络框架的图像分割方法。

背景技术

图像分割是将图像表示为物理上有意义的连通区域的集合。根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来的过程。作为图像分析的基础，图像分割已经被广泛用于医学图像中组织器官的分割。

通常，医生根据图像的灰度以及已有的先验知识来确定器官的边界。然而，这种手动分割需要花费医生大量的时间以及精力，并且这样的工作单调乏味，容易使人疲劳。因此，一些传统的图像处理方法已经被应用与器官的分割。然而，由于图像对比度低，不同患者的器官形状各有不同以及不同器官间的相似性，获得较高的自动分割准确性较为困难。因此，具有较好分割性能的器官自动分割方法仍然是未解决的难题。

在图像分割问题中，待分割目标的金标准通常由人工手动勾画获得。然而，现在被广泛使用的CNNs(卷积神经网络Convolutional Neural Networks，CNNs)分割方法进将目标的整个区域作为标签来训练网络，并没有充分利用潜在有用的边界信息。与仅使用目标区域信息来训练网络相比，如果同时充分利用目标的边界与区域信息，分割结果将大幅度提高。

发明内容

针对现有技术的缺陷，本发明的目的在于解决现有技术中仅使用目标区域信息来训练网络，并没有充分利用潜在有用的边界信息的技术问题。

为实现上述目的，本发明提供了一种基于双U型网络框架的图像分割方法，该方法包括以下步骤：

S1:将图像数据划分为训练集和测试集；

S2:搭建双U型网络结构，将训练集输入网络结构中，获得网络输出即分割结果概率图；所述分割结果概率图包括边界及区域信息；

S3:根据分割结果概率图与金标准间的差异计算损失函数；

S4:使用反向传递降低损失函数，从而更新网络中的系数；

S5:迭代S2-S4所述过程40次，迭代收敛，获得图像分割网络；

S6:使用训练好的图像分割网络，对待识别图像进行识别和分割。

具体地，所述图像数据包括原始CT图像与相应的医生手动标记的边界；

所述边界的标签由医生勾画的边界向内侧或者向内外两侧膨胀2个像素获得。

具体地，所述双U型网络结构为对称结构，包括收缩路径和扩张路径，输入来自原始的CT图像，输出边界及区域的概率图像。

具体地，收缩路径分别与两个扩张路径相连；所述收缩路径上卷积层的输出分别与两个扩张路径上的卷积层的输入通过相连接；

所述收缩路径同时提取边界及区域的低维特征图，两个扩张路径分别自动提取边界及区域的高维特征图；

扩张路径将特征图数目从32变为分割的目标数2；利用sigmoid函数将特征图转化为分割结果概率图；使用阈值0.5将概率图转化为二值分割结果。