[发明专利]一种基于双通路U型卷积神经网络的医学图像分割方法

说明书

本发明公开了一种基于双通路U型卷积神经网络的医学图像分割方法，将双通道模块与U型网络很好地融合在一起，通过堆叠操作重用原始特征，同时将特征相加产生新的特征，提高了网络的训练精度；同时利用U型卷积神经网络架构进行块与块之间横向的特征堆叠，大大提高了网络训练的收敛速度，更快地得到理想的训练模型。本发明能够满足医学图像需要处理的数据量较大，对处理的效率和精度要求较高的需求，在生物医学检测应用中实现了非常良好的性能。

技术领域

本发明属于医学图像分割技术领域，具体涉及一种基于双通路U型卷积神经网络的医学图像分割方法的设计。

背景技术

医学图像分割包括人工分割、半自动分割和全自动分割，人工分割难度较大，过程繁琐，虽然精度高，但很大程度上取决于操作者的经验和知识，且分割结果难以重现；半自动分割是一种结合手工和计算机处理的交互方式，它允许人工交互式操作提供一些有用的信息，然后由计算机进行分割处理。半自动分割又包括Gragh Cut(图切)、CRF(条件随机场)和level set(水平集)等方法，这些方法都需要有人工输入，指定一个点作为种子点指导后续的分割。全自动分割方法克服了半自动和人工分割的缺点，取得了更好的分割效果。

传统的图像分割技术，无论是人工分割还是半自动分割，都需要有人工输入，过程繁琐，很大程度上取决于操作者的经验和知识，且分割结果难以重现，完全达不到全自动分割的效率和精度。而现有的全自动分割方法只能局限在2维层面上，并且现有的三维网络结构还有待优化。因此到目前为止，还不存在一种准确评价分割成功与否的客观标准。

发明内容

本发明的目的是提出一种基于双通路U型卷积神经网络的医学图像分割方法，将图像分割提升到像素级别的精确度，提高后续医学诊断的精确性。

本发明的技术方案为：一种基于双通路U型卷积神经网络的医学图像分割方法，包括以下步骤：

S1、对待分割的功能磁共振图像数据进行预处理，得到训练集数据和测试集数据。

步骤S1包括以下分步骤：

S11、对待分割的功能磁共振图像数据进行格式转换。

S12、对格式转换后的图像进行归一化处理，将其归一化到[0,1]区间。

S13、将归一化后的图像按比例分为训练集数据和测试集数据。

S14、对训练集数据进行数据增强。

其中，进行数据增强的方法包括：

尺度变换：对图像按照指定的尺度因子进行放大或缩小，或者参照SIFT特征提取思想，利用指定的尺度因子对图像滤波构造尺度空间，改变图像内容的大小或模糊程度。

平移变换：在图像平面上对图像进行平移。

旋转变换：沿着水平或者垂直方向翻转图像。

缩放变换：按照设定比例放大或者缩小图像。

S2、构建双通路U型卷积神经网络。

步骤S2包括以下分步骤：

S21、构建双通道BO模块。

双通道BO模块包括Sum通道和Dense通道，Sum通道用于实现D1数据和C1数据的特征值相加，Dense通道用于实现D2数据和C2数据的堆叠；

D1数据和D2数据的获取方法为：将原始特征图数据通过BN、激活函数以及卷积操作后，再按通道将其分为两个部分，即为D1数据和D2数据；

C1数据和C2数据的获取方法为：将D1数据和D2数据合成为新的特征图数据，再通过BN、激活函数、卷积以及dropout处理后，按通道将其分为两个部分，即为C1数据和C2数据；