[发明专利]一种基于深度学习的医学图像分割方法

说明书

本发明属于图像分割技术领域，涉及一种基于深度学习的医学图像分割方法,先在编码器和解码器阶段使用新型的卷积模块，其次再设计一个包含注意力机制的残差瓶颈结构，用在跳层连接上，一方面减少编码器和解码器之间的语义差异，另一方面是使得神经网络在训练过程中能更加注意要分割的目标区域，从而能够提取更加精细的语义特征；其方法简单，能够更好的识别模糊的边界，分割出来的图像效果更加连贯，抵抗噪声干扰能力强，具有很强的泛化能力。

技术领域:

本发明属于图像分割技术领域，涉及一种基于深度学习的医学图像分割方法,利用深度学习技术做医学图像分割的方法。

背景技术:

在图像分割领域的早期，大都是基于图论或者是像素聚类的方法，也诞生了很多经典的算法诸如K-Means算法。在医学图像方面，往往都是基于边缘检测和模版匹配的，比如利用Hough变换进行视盘分割。然而，医学图像通常来源于不同的成像技术，例如计算机断层扫描(CT)，X-ray，和磁共振成像(MRI)，所以当对大量数据进行测试时，这些方法未能保持健壮性。深度学习技术出现以后，便在一定程度上解决了传统图像分割方法中语义信息缺失的问题，而且单个模型也可以有效的应用于不同的医学成像方式。目前在这一领域，U-Net是最受欢迎也是最为经典的架构。但是，连续的池化操作可能会导致某些空间信息的丢失，而且卷积层中的卷积核尺度过于单一，无法提取更加精细的语义特征,这使得U-Net在一些实际的医学图像分割场景中，容易受到噪声的干扰，从而忽略一些细节部分，例如CN201910158251.5公开了一种基于深度学习的脑瘤医学图像分割方法，包括训练分割模型、接收待分割的脑瘤医学图像数据信息、对接收的待分割脑瘤医学图像数据信息进行分割处理和输出分割结果四个过程；CN201810852143.3公开了一种基于深度学习的图像分割方法，包括步骤a：对原始图像进行归一化处理，步骤b：将所述归一化后的图像输入ResUNet网络模型，所述ResUNet网络模型提取输入图像中包含全局语义信息的特征图，并对所述特征图进行上采样及特征图堆叠处理，得到最终的特征图，步骤c：对所述上采样及堆叠处理后的特征图进行逐像素分类，并输出图像分割结果；CN201910521449.5公开了一种基于深度学习的肺部组织图像分割方法，通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割，将X光胸片图像输入到分割模型中，其中，该分割模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和对应用来标识肺部组织的金标准；获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片图像中肺部组织的分割结果；CN201911355349.6公开了一种基于深度学习神经网络的肝脏CT图像分割方法及装置，所述方法包括：构建基于密集卷积网络DenseNet和U型网络Unet的U型DenseNet二维2D网络及U型DenseNet三维3D网络；基于自动上下文auto-context方法，将U型DenseNet 3D网络集成到U型DenseNet 2D网络中，获取U型DenseNet混合网络并进行深度学习训练；通过训练好的U型DenseNet混合网络对肝脏CT图像进行分割。因此,迫切需要设计一种新型的图像分割技术。

发明内容:

本发明的目的在于克服现有技术存在的缺点，寻求设计提供一种基于深度学习的新型图像分割方法，先在编码器和解码器阶段使用新型的卷积模块，其次再设计一个包含注意力机制的残差瓶颈结构，用在跳层连接上，一方面减少编码器和解码器之间的语义差异，另一方面是使得神经网络在训练过程中能更加注意要分割的目标区域，从而能够提取更加精细的语义特征。

为了实现发明目的，本发明实现医学图像分割的具体过程为：

(1)获取医学图像，数量要求15张以上，每一张医学图像均配有一张分割掩码，用作模型训练时使用的标签图像，并对原始的医学图像和标签图像进行预处理，调整分辨率使其图像的宽为256，高为192；