[发明专利]一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质

摘要

本发明公开了一种基于特征金字塔融合的图像分割方法，用于对磁共振图像进行分析，将水肿、坏死组织与正常组织进行分割。该方法通过对数据进行预处理去除不包含水肿、坏死组织信息的磁共振层，然后为了防止过拟合进行数据增强，再把数据送入具有特征金字塔融合的深度学习模型中，首先利用下采样过程对数据进行特征提取，然后在上采样过程中逐渐恢复输入数据的分辨率，最后利用金字塔融合的方式把上采样过程中提取的多种尺度的信息进行融合得到分割结果。使用BraTS2015和BraTS2017两个数据集完成了实验，并做了5次交叉验证。与不使用金字塔融合的深度学习模型相比较后，本发明提出的方法分割精度明显提升，表明本发明提出的方法是有效的。

主权项

1.一种基于金字塔融合学习的图像分割方法，将水肿、坏死组织与正常组织进行准确分割，该方法中，把经过预处理后的三维多模态的磁共振影像作为分割模型的输入数据，在下采样的过程中通过多个卷积块的运算完成特征提取，每一个块包括两个卷积层和一个下采样层，然后进行构建与下采样对称的上采样过程，通过跨层连接将下采样中每一个卷积块中的特征送至对称的上采样过程中，最后把上采样过程中每一个卷积块的特征图进行融合，得到最终的分割结果，具体步骤包括：(一)采集磁共振影像数据，将每一个患者的Flair、T1、T1c、T2等四个模态的数据分别进行以下标准化处理，X为输入数据，μ为输入数据的均值，σ为输入数据的方差，X′为标准化处理后的数据，然后将四个模态进行融合，每一个患者生成一个四通道的数据，即得到多模态数据；(二)对步骤(一)得到的多模态数据进行下采样，每一个卷积块内有两个具有3×3卷积核的卷积层以及一个步长为2的下采样层，为了防止深度模型出现梯度弥散的现象，在每一个卷积层之后加入了一个批归一化层，通过多个卷积块的处理，输入图像的分辨率逐渐降低；(三)为了恢复输入图像的分辨率进行上采样，上采样过程中，采用和下采样对称的结构，每一个卷积块内部具有两个3×3卷积核的卷积层和两个批归一化层以及一个步长为2的上采样层，上采样层把上一个卷积块的输出特征进行2倍上采样，然后与下采样路径中对称卷积块的特征按照通道维度级联在一起；(四)为有效的利用特征的多尺度信息，采用特征金字塔融合的方式来完成模型的分割，把上采样过程中每一个卷积块输出的特征进行上采样，通过双线性插值获得与原始输入图像相同大小的特征，然后把它们进行逐像素相加，特征金字塔的融合方式如下所示：H(x)＝H(x0)+H(x1)+....+H(xl)H(xi)是第i个卷积块的输出特征，H代表卷积和上采样操作，(五)最后把融合后的特征送入Softmax层完成每一个像素的分类，根据分类结果即可获得最终的分割图。