[发明专利]基于U-net网络结构的生物医学图像自动分割新方法

说明书

本发明属于图像处理与计算机视觉技术领域，涉及基于U‑net网络结构的生物医学图像自动分割新方法，包括将生物医学数据集分为训练集和测试集，对测试集和扩增处理后的测试集进行归一化预处理；将训练集的图像输入改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；通过集中性损失函数计算分类概率图与金标准的误差，通过梯度后向传播方法，获得网络模型的权重参数；将测试集中的图像输改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；根据分类概率图中的类别概率，得到图像的分割结果图；本发明解决图像分割过程中简单样本对损失函数的贡献过大以至于不能很好学习困难样本等问题。

技术领域

本发明属于图像处理与计算机视觉技术领域，特别涉及一种基于U-net网络结构的生物医学图像自动分割新方法。

背景技术

医学图像分割对三维定位、三维可视化、手术规划和计算机辅助诊断等都具有十分重要的意义，是图像处理与分析的热点研究领域之一。其方法分为人工分割、半自动分割和自动分割三种。人工分割方法十分耗时，并且依赖于临床专家的知识经验等主观因素，可重复性较差，不能完全满足临床上的实时需要。半自动分割方法采取人机交互，在一定程度上提高了分割速度，但仍然依赖于观察者，限制了其在临床实践中的应用。自动分割方法完全借助计算机提取出感兴趣区域边缘，该种方法完全避免了观察者主观因素的影响，提高了处理数据的速度，可重复性好。然而，由于在生物医学中，目标个体结构的复杂变化以及各种医学成像方式和技术造成的低对比度、噪音等影响，使医学图像的可变性很高。因此，自动分割生物医学图像成为目前图像处理的研究热点之一

近年来，基于像素的方法和基于结构的方法在生物医学图像分割方面取得了实质性的进展。这些方法使用手工特征和先验知识，在一些简单的分割任务中取得了期望的结果，当应用到具有复杂变化特性的对象时往往效果不佳。最近，深度神经网络(DNNs)，特别是全卷积神经网络(FCN)对医学图像分割非常有效，被认为是使用深度学习进行图像分割的基本结构。该网络通过像素分类达到分割目的，其结构包括向下采样部分和向上采样部分。向下采样部分由卷积层和最大池化层组成，向上采样部分由卷积层和反卷积(转置卷积)层组成。U-net是一种基于FCN的医学图像分割方法，它包括编码器(encoder)和解码器(decoder)两部分。编码器和解码器分别对应FCN中的向下采样部分和向上采样部分，解码器通过跳跃连接编码器以融合细节特征，从而提高了分割的效果，并在ISBI2015细胞分割大赛中获得冠军。随后，先后提出了一系列基于U-net结构的医学图像分割方法，并成功应用于临床诊断。

在基于U-net结构的分割网络中，输入图像经过编码器后分辨率变小，解码器通常使用反卷积或者双线性插值后再接2×2卷积这两种方法，逐渐地恢复分辨率并最终输出分割结果图。但是，反卷积在卷积之前进行的补零操作以及双线性插值的不可学习特性，都会影响解码器的性能。目标的形状和大小变化复杂是生物医学图像分割的主要困难之一。解决该问题通常有两种方法：一是使用具有空间不变性的手工特征变换算法，如尺度不变特征变换算法(SIFT)。但是，当目标变化太复杂时，该方法往往失效。二是通过数据增强和具有学习几何变换能力的神经网络来完成。数据增强是通过一些几何变换方法如旋转、翻转、缩放等增加数据集中图像的数量，但是非常耗时，不适用于具有复杂几何变换的目标。空间变换网络(Spatial Transformer Networks，STNs)是由Jaderberg等人提出的一种卷积神经网络架构模型，鲁棒性很好，具有平移、伸缩、旋转、扰动、弯曲等空间不变性，其在一些小图像分类任务上获得了不错的效果。STNs通过学习全局变换参数(比如仿射变换)来扭曲特征图。但是，学习全局变换参数是困难的，并且非常耗时。可变形卷积也具有学习几何变换的能力，其通过局部且密集的方式在特征图上采样生成新的特征图，以适应图像的几何变化。相较于STNs，可变形卷积的计算量更小且更容易训练。