[发明专利]一种基于自编码器和生成对抗网络的医学图像分割方法

说明书

本发明公开了一种基于自编码器和生成对抗网络的医学图像分割方法，通过设置包括编码器和第二解码器的自编码器重构输入图像，为分割模型提供额外的一份多尺度的特征图；通过设计合适的跳跃连接层可以为分割图片的生成提供更丰富的多尺度特征；使用生成对抗网络可以为生成的分割图片引入额外的损失，使得网络可以生成更好的分割图片，使得生成的分割图片质量更高，从而一步提高医学图像分割的精度。使用深度可分离卷积和注意力机制构建的编码器，可以在使用更少的参数量和计算量的情况下提取更加丰富的特征。

技术领域

本发明属于深度学习图像分割领域，更具体地，涉及一种基于自编码器和生成对抗网络的医学图像分割方法。

背景技术

医学图像的器官/病灶分割在临床应用上是很重要的一步，通过图像分割技术可以提取医学图像中的器官或病灶所在的区域，以辅助医学专家做出相应的医疗诊断。

现有医学图像的器官/病灶分割方法通常采用UNet、UNet++等深度网络模型，图像分割结果的精度有待提高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于自编码器和生成对抗网络的医学图像分割方法，由此解决现有的分割方法精度不高的技术问题。

为实现上述目的，按照本发明的第一方面，提供了一种基于自编码器和生成对抗网络的医学图像分割方法，包括：

训练阶段：

以医学图像为训练样本，以所述医学图像的病灶或器官分割图像为标签，对分割模型以及判别器进行训练；

其中，所述分割模型包括编码器、第一解码器、第二解码器，所述编码器包括依次交替连接的卷积层和高斯下采样层，所述解码器包括依次交替连接的上采样层和卷积层；

所述编码器中各阶段对应尺度的特征通过跳跃连接层输入到所述第一解码器中对应阶段及所述对应阶段的上一阶段的网络层；所述第一解码器中各阶段对应尺度的特征通过跳跃连接层输入到所述各阶段的后两个阶段的网络层；所述第二解码器中各阶段对应尺度的特征，通过跳跃连接层输入到所述第一解码器对应阶段的网络层；其中，在所述编码器中各阶段以下采样层划分，所述第一解码器和第二解码器中各阶段以上采样层划分；

所述训练阶段的损失函数包括所述第二解码器生成的所述医学图像的重构图像的重构误差函数、所述第一解码器生成的所述医学图像的病灶或器官分割图像的分割误差函数及所述判别器真假值预测的损失函数；其中，在所述训练阶段，所述判别器与所述分割模型共同组成生成对抗网络；

应用阶段：

将待分割的医学图像输入至训练好的分割模型，得到分割结果。

优选地，所述卷积层为加入注意力机制的深度可分离卷积层。

优选地，在训练阶段，采用反向传播算法对所述分割模型的参数进行更新。

优选地，所述判别器包括依次交替连接的卷积层和高斯下采样层，以及全局池化层和全连接层。

优选地，所述上采样层和下采样层的数量均为4。

优选地，以所述编码器的第5个阶段为中心，所述编码器与所述第一解码器、第二解码器为对称结构。

按照本发明的第二方面，提供了一种基于自编码器和生成对抗网络的医学图像分割系统，其特征在于，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：