[发明专利]基于深度神经网络的医学图像分割系统及方法、终端

说明书

本发明提供了一种基于深度神经网络的医学图像分割系统及方法、终端，包括：特征提取模块对输入的医学图像，使用神经网络完成特征的抽取，得到输入的抽象表示；前景信息特征上采样模块对提取到的特征进行上采样，最终生成前景分割结果；反馈机制模块将前景信息特征上采样模块中的特征传递至特征提取模块中，丰富该模块中的特征；门控机制模块利用多种门控机制，对反馈连接中传递的特征进行选择和筛选，对冗余特征进行过滤；语义信息特征上采样模块对经过反馈连接丰富的特征进行上采样，生成最终的医学图像分割结果。本发明利用门控机制实现对反馈连接中传递的特征进行筛选，并将反馈信号作用于特征提取过程中，实现特征的丰富，提高了图像分割的精度。

技术领域

本发明涉及一种采用深度学习算法的医学图像分割技术，具体地，涉及一种基于双向深度学习框架、门控机制以及反馈机制的深度神经网络的医疗图像分割系统及方法、终端。

背景技术

医学图像的分割问题是医学图像分析中最重要、最基础的问题，能否准确快速的完成医学图像的分割直接影响了后续定量分析、可视化研究以及医生诊断等各环节的结果。然而，由于医学图像本身具有的复杂性和专业性并且临床中对分割结果准确性有着极高的要求，目前大规模的自动化分析技术仍不成熟，对医学图像的分割主要还是依靠具有专业经验的医生去完成。在人工分析医疗影像的过程中，每分析一张影像都需要耗费极大的时间和工作量。同时不同的医生受各自主观经验以及所处环境、工作时间的影响，即便是对于同一张影像仍然会有可能得到不同的结果。基于以上原因，如何实现对医学图像高效、准确且鲁棒的的自动化处理和分析成为了计算机科学领域中一个非常热点的研究课题。

在深度学习兴起之前，研究人员主要通过传统的图像处理方法或者机器学习算法完成对医学图像的分割。这些方法无法满足对医学图像分割的要求。近些年来，凭借着卷积神经网络出色的特征提取能力，深度学习在图像识别、目标检测和图像分割等任务中取得了极为优秀的成果。

双向神经网络是深度学习中一个重要的模型框架，所谓双向，主要是指模型包含了编码和解码这两个方向相反的过程，其中编码指从输入空间到概念空间的特征提取过程而解码指概念空间到输出空间的重建过程。其实在图像分割问题中，很多模型的设计也都包含了双向学习的思想。1991年提出的Lmser网络，也是同样基于双向学习的神经网络结构。结构上，Lmser网络具有严格的对偶性，包括双向结构的对偶性，神经元对偶性以及参数对偶性，其中神经元的对偶性指网络编码器和解码器之间通过跳跃连接和反馈连接实现双向的信息传递。

计算机视觉领域中，门控机制也是非常经典的技术。门控机制也可以称为注意力机制，即模仿人类大脑在处理视觉信号时会优先注意较为关键的部分。对于应用到卷积神经网络中的注意力机制，按照其作用于特征图的维度主要可以分为两种，即通道注意力机制和空间注意力机制。通道注意力机制主要利用特征图中不同通道之间的相关关系生成通道之间的注意力权重，即同一通道不同位置的注意力权重大小相同，而不同通道之间有所差异。而空间注意力则是主要关注为特征图的不同区域赋予不同大小的注意力权重，与通道无关。此外，在以上两种注意力机制的基础上，还可以将二者按照串联或并联的方式结合起来共同提升网络的性能。

反馈机制在计算机视觉领域中同样发挥着重要的作用。在双向神经网络中，利用反馈连接将解码器中的特征传递至编码器中，可丰富编码器中的特征，并实现对编码器提取特征进行指导的目的。

相比较自然图像，医学图像的分割面临更大的挑战，主要在于医学图像本身所具有的特殊性：(1)数据量小；(2)分割精度要求高；(3)较难利用预训练的模型。现有技术中主要采用类似于U-Net网络对医学图像进行分割，该网络中利用跳跃连接可以有效保留网络浅层特征，实现了较为准确的分割结果，但是仍然存在如下问题：(1)对于跳跃连接上的特征没有进行选择，易受到冗余信息的干扰；(2)无法有效对小目标实现准确分割；(3)多个分割目标差异过大时，分割结果不够准确。

如果直接将现有的双向深度学习框架、门控机制以及反馈机制进行简单的结合，通常存在如下技术难题：