[发明专利]基于多重扩张路径的医学影像深度分割网络

说明书

本发明为基于多重扩张路径的医学影像深度分割网络，该神经网络包括以多个串联的残差网络编码模块构成的收缩编码路径、以多个串联的残差网络解码模块构成的扩张解码路径，共有N个扩张解码路径，后N‑1个扩张解码路径构成多重扩张路径；通过跳跃连接将收缩编码路径上的语义特征图与在相邻的扩张解码路径上相同分辨率的对应级别特征图在通道维度上进行拼接；多重扩张路径中每个路径的残差网络解码模块中Sigmdid激活函数处理后的语义特征图与下一个扩张解码路径上对应级别的残差网络解码模块中的特征图在通道维度上进行拼接。该方法以引入多重扩张路径对收缩编码路径实现多重监督，降低网络对噪声扰动的敏感性，提高分割网络的分割鲁棒性。

技术领域

本发明涉及基于多重扩张路径的医学影像深度分割网络及针对医学影像的语义分割方法。

背景技术

医学影像分割在基于计算机辅助诊断系统的临床诊疗过程中有着非常重要的作用，例如：在对肿瘤的影像学初筛、部分肿瘤的确诊、放射治疗方案制定以及手术治疗方案的制定等过程中，均需要实现对相关肿瘤病灶的精确识别分割。当前，在医学临床影像复杂、读片分析过程极具专业经验性以及对医学影像分割结果的临床要求高等临床实际与分析技术背景下，完全端到端的医学影像自动化读片分析技术还不成熟，主要还是依赖于具有丰富专业技术经验的放射科医师去完成对采集到的医学影像的分割任务。然而，以人工的方式分割医学影像，每完成对一张医学影像的分割分析，均需要耗费大量的时间精力，故而对大量的医学影像进行分割是一项具有庞大工作量的事情。此外，受到所用成像仪器、成像环境、医师工作疲劳度等客观因素与医师自身专业的主观经验的影响，对同一病例影像的分析结果往往可能会出现一定偏差。因此，实现端到端的对临床医学影像的高效准确的自动化分割具有着重要的理论价值与社会经济效益。

在深度学习方法全面发展前，主要是通过传统的图像处理方法或者相应的机器学习算法实现对医学影像的分割。例如边缘检测滤波器等数学方法，然后手工提取特征等技术方法。然而，这些方法无法满足临床诊疗过程对医学影像分割精度以及算法可移植性的要求。近年来，卷积神经网络以对图像的欧氏空间特征优秀的特征提取能力，获得了很好的图像分割性能表现。基于深度神经网络的医学影像分割是指通过利用深度卷积神经网络等深度学习方法，学习医学影像中的目标特征，并有选择地将感兴趣的目标器官组织或者炎症、囊肿与肿瘤等病灶靶区以轮廓或区域掩码形式自动标注。

当前针对医学影像的深度神经网络分割方法主要可以分为两类，一类是基于全卷积神经网络，通过将VGG、GoogLeNet、ResNet等用于解决图像分类问题的卷积神经网络改造成可以实现图像分割的密集预测神经网络。基于全卷积神经网络的图像分割思路，如SegNet、Deeplab、RefineNet、DANet等系列图像分割卷积神经网络。然而由于医学影像分割任务与自然图像分割任务存在的差异性问题，Ronneberger等人在InternationalConference on Medical Image Computing and Computer-Assisted Intervention(MICCAI2015)上发表的论文U-Net:Convolutional Networks for Biomedical ImageSegmentation提出了U-Net网络应用于医学影像的语义分割。该网络左侧部分(即收缩编码路径)由卷积和池化构成一系列编码采样操作，收缩编码路径由4个模块层组成，每个模块层使用了3层卷积和1层池化降采样；网络右侧部分(即扩张解码路径)同样由4个模块层组成，每个模块层开始之前通过反卷积将特征图尺寸扩大两倍，然后和左侧对称的收缩编码路径的特征图合并。最近几年，有研究人员通过向U-Net网络中引入多尺度模块、注意力机制等特征提取优化方法，并以更宽更深的庞大网络引导分割模型获得更加精细的分割结果。但这些方法往往需要付出极大的计算成本，计算量大，同时在面对医学影像数据量较少的情况下容易发生模型过拟合的情况。因此，亟需提出一种可以解决上述问题的医学影像分割方法。

因此，针对医学影像分割任务需要一种结构简洁、分割性能精确并且鲁棒性好的端到端医学影像分割网络。

发明内容