[发明专利]一种基于深度学习的MRI图像分割方法

说明书

本发明公开一种基于深度学习的MRI图像分割方法。本发明先利用图像数据增强、提取技术，对数据进行扩容，利用形态学的方法，得到前列腺边缘的标签。然后在U‑Net网络基础上加入IBN模块，把maxpool层改成stride conv层，采用2D和3D卷积结合的方法，作为编码部分；在解码部分中，采用两个解码器，其中一个解码器进行前列腺整体的分割预测，另一个解码器进行单独的前列腺边缘的预测。本发明采用了IN和BN相结合的策略，使得模型泛化能力得到加强。同时，把原本下采样的maxpool层改成stride conv层，使得模型保留图像细节信息的能力得到加强，使得分割的结果更加精细。采用2D和3D卷积相结合的做法进一步提高模型的精度。

技术领域

本发明属于计算机视觉领域，涉及到MRI图像的处理、图像语义分割、利用深度学习进行图像分割，提供一种基于深度学习的MRI图像分割方法。

背景技术

在过去几年里，随着人工智能的兴起，计算机视觉的应用逐渐普遍起来。其中，图像分割是计算机视觉领域中非常重要的一个方向，而图像的语义分割更是图像分割的基石性技术，在自动驾驶系统、地址图像研究、现代化工业、医疗图像等等领域中都有重要的应用。例如，在前列腺癌、前列腺炎、前列腺肥大等前列腺疾病的诊断中，在三维MR图像上进行准确的前列腺分割对于医生对病人病情的诊断、掌握和提出有针对性的治疗方案方面具有重要意义。当前，人为地对前列腺区域进行分割非常的耗时，而且对放射科的医师的丰富经验提出了很高的要求。因此，前列腺MRI图像的自动分割在医学图像处理领域引起了越来越多的关注。

图像的语义分割是计算机视觉领域非常重要的方向，随着深度学习技术的发展，分类任务和语义分割任务也得到了长足的进步，语义分割，就是对于图像的像素级别的分割任务。

1985年，Hinton等提出了后向传播算法，使神经网络的训练变得简单可行。在分类方面，1998年，LeNet5标志着CNN的真正问世。 2012年提出AlexNet，取得了该年度ImageNet分类比赛的冠军。2014 年，GoogLeNet使用了Inception结构，使网络结果不仅变深，而且变“宽”。2015年，何凯明等提出了深度残差网络ResNet，使用了残差单元，网络层数突破1000。2016年，黄高等提出的DenseNet，使用了稠密连接，在达到与ResNet相当分类精度前提下，参数和计算量只有ResNet的一半。2017年，国内自动驾驶公司Momenta提出的(Squeezeand-Excitation Networks，SENet)采用了“特征重标定”策略，并同年获得了ImageNet图像分类任务的冠军。在分割方面， 2014年，Long等提出的全卷积网络FCN，使得卷积神经网络不需要全连接层就可以实现密集的像素级别的分类。2015年提出的U-Net 网络，使用了编码器-解码器的结构，并在编码器到解码器之间引入了快捷连接，从而更好的恢复物体的细节信息，特别是利用在医疗图像上的分割任务，取得了较好的成绩。虽然这些分类方法已经取得了非常不错的效果，但是，在分割前列腺的边缘上，效果一直不理想，主要原因是没有给网络模型一个学习器官边缘的指导，网络只要把器官的大部分分割出来，就可以有效降低loss，从而使得网络不再关注器官边缘的分割结果，其次是图像的数据少，给深度学习带来了困难。

发明内容

本发明要解决的技术问题是，提供一种基于深度学习的MRI图像分割方法。一种基于深度学习的能够有效分割MRI(Magnetic Resonance Imaging磁共振成像)图像中前列腺的图像分割方法。首先利用图像数据增强、提取技术，对数据进行扩容，利用形态学的方法，得到前列腺边缘的标签。然后用3DResBlock作为基础结构，在 U-Net网络基础上加入IBN模块，把maxpool层改成stride conv(跨步卷积)层，下采样采用2D和3D下采样结合的方法，作为编码部分；在解码部分中，采用两个解码器，其中一个解码器进行前列腺整体的分割预测，另一个解码器进行单独的前列腺边缘的预测。使用MICCAI 在2012年的竞赛数据集Promise12进行模型训练。