[发明专利]一种基于卷积神经网络的图像分割方法、装置及存储介质

说明书

本发明公开了一种基于卷积神经网络的图像分割方法、装置及存储介质，所述方法包括：选取待分割的原始图像作为测试集和训练集，对训练集进行预处理，得到最终训练集；构建具有残差块的U‑Net卷积神经网络模型，安排具有残差块的U‑Net卷积神经网络模型对最终训练集执行分割任务，获得学习后的U‑Net卷积神经网络模型；对学习后的U‑Net卷积神经网络模型进行优化，获得训练好的U‑Net卷积神经网络模型；将测试集输入训练好的U‑Net卷积神经网络模型，进行图像分割，获得分割完成的图像。本发明能够借助卷积神经网络的U‑Net结构，对核磁共振成像提供精准的图像自动分割，实现疾病的图像检测。

技术领域

本发明涉及一种基于卷积神经网络的图像分割方法、装置及存储介质，属于计算机视觉以及深度学习技术领域。

背景技术

帕金森病（PD）是第二常见的进行性神经退行性疾病，截至2017年，全球共有850万人受到帕金森病的影响。帕金森病的特征是黑质致密部（SNpc）内多巴胺能神经元的逐渐丧失，通常认为这导致了PD的典型运动症状。早期的PD，患者症状并不明显，传统的临床检测方法很难诊断。患者的脑部核磁共振成像（MRI）成为为数不多的检测手段，但是早期PD的脑部MRI与健康的脑部MRI几乎无法做出区分，因此目前采用神经黑素-核磁共振成像(NM-MRI),该成像的可视化神经黑素褪色是PD的关键病态特征。

为了评估SNpc的高信号区，需要采用图像分割技术。通常，采用简单的手动划分、半自动的区域增长技术以及基于地图集的自动分割方法。这些分割方法使用一组固定的地图集，因此可能无法捕捉目标对象的全部解剖变异性，影响精度并且有很大的计算量。基于阈值的手动分割方法虽然解决了上述方法中存在精度以及计算量大的问题，但是该方法需要很多步骤并且很费时，因此自动化的分割技术更具有应用前景。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于卷积神经网络的图像分割方法、装置及存储介质，能够借助卷积神经网络的U-Net结构，对核磁共振成像提供精准的图像自动分割，实现疾病的图像检测。为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于卷积神经网络的图像分割方法，所述方法包括如下步骤：

选取待分割的原始图像作为测试集和训练集，对训练集进行预处理，得到最终训练集；

构建具有残差块的U-Net卷积神经网络模型，安排具有残差块的U-Net卷积神经网络模型对最终训练集执行分割任务，获得学习后的U-Net卷积神经网络模型；

对学习后的U-Net卷积神经网络模型进行优化，获得训练好的U-Net卷积神经网络模型；

将测试集输入训练好的U-Net卷积神经网络模型，进行图像分割，获得分割完成的图像。

结合第一方面，进一步地，所述待分割的原始图像为帕金森病患者的脑部核磁共振成像影像。

结合第一方面，进一步地，所述对训练集进行预处理的方法包括如下步骤：

转变训练集原始图像的信号强度；对训练集原始图像做旋转操作；调整训练集原始图像比例。

优选地，为了应对信号强度偏差，将训练集原始图像的信号强度转变为：

A(orig+B)

其中，A=0.7/1.0/1.3，B=﹣100/0/100，orig表示原始图像的信号强度。

优选地，为了应对角度偏差，将训练集原始图像旋转﹣30°/0°/+30°。

优选地，为了应对比例偏差，将原始图像比例调整为原来的90%/100%/110%。

结合第一方面，进一步地，所述构建具有残差块的U-Net卷积神经网络模型为构建两个相同结构的具有残差块的U-Net卷积神经网络模型。