[发明专利]一种基于单程多任务卷积神经网络的医学图像分割方法

权利要求书

1.一种基于单程多任务卷积神经网络的医学图像分割方法，其特征在于，所述方法包括以下步骤：

S1、获取已预处理过的医学图像，首先将组织分割任务分解成三个不同但关联的子任务：子任务一、子任务二和子任务三，再将所述三个子任务集成于一个深度模型，即单程多任务卷积神经网络里，并向所述深度模型输入所述图像；其中所述子任务一对所述图像进行粗分割，来确定所述图像中完整组织的大致区域，所述完整组织的大致区域将作为所述子任务二的感兴趣区域；所述子任务二将从所述子任务一中得到的所述感兴趣区域进行膨胀处理，得到膨胀区域，然后对所述膨胀区域进行精细分割，得到所述膨胀区域中所有体素的精确组织类别，同时获得所述完整组织的精确位置；所述子任务三通过精分割来扫描所述完整组织的精确位置内的体素，并对增强组织的位置做出决策；

S2、使用基于课程学习的策略对所述深度模型进行由易到难的分阶段训练，直到所述深度模型内的所述三个子任务的损失函数均达到收敛；

S3、使用后处理方法改善所述深度模型的分类错误问题，并输出最终的分割结果。

2.根据权利要求1所述的一种基于单程多任务卷积神经网络的医学图像分割方法，其特征在于，步骤S1中，所述预处理指对所述医学图像进行特征标准化，使得图像的每一个序列图像具有零均值和单位方差。

3.根据权利要求1所述的一种基于单程多任务卷积神经网络的医学图像分割方法，其特征在于，步骤S2中，使用基于课程学习的策略对所述深度模型进行由易到难的分阶段训练，所述课程学习是机器学习领域中的一种学习策略，它将所述三个子任务依次加入到所述深度模型中进行训练，使得所述深度模型能够按照任务的难易程度从易到难得到训练，有助于提高所述深度模型的收敛质量，同时复用所述三个子任务间的部分训练数据，实现了对所述部分训练数据的共享和参数共享，所述部分训练数据的共享需满足下列抽样策略一或抽样策略二的条件：

抽样策略一的条件：

抽样策略二的条件：

其中，l_i是一个数据集中第i个体素的标签，n是一个数据集中体素的总数，C_complete代表所有的组织分类，C_core代表属于组织核心的组织分类，所述子任务一的训练数据一若满足所述抽样策略一的条件，所述训练数据一能够在所述子任务二中实现共享；同理，所述训练数据一和所述子任务二中的训练数据二若满足所述抽样策略二的条件，所述训练数据一和所述训练数据二能够在所述子任务三实现共享。

4.根据权利要求1所述的一种基于单程多任务卷积神经网络的医学图像分割方法，其特征在于，步骤S3中，所述后处理方法是一个全自动的方法，使用所述后处理方法改善所述深度模型的分类错误问题，从而得到最终的分割结果，具体包括以下步骤：

将体积小于最大相连组织区域十分之一的单独小簇移除；

根据被预测成水肿组织的体素的核磁共振图像强度值，使用K均值聚类算法将所述体素聚类成两组，并根据所述深度模型的预测结果，计算所述深度模型预测成水肿组织的体素被预测为非增强组织类别的平均概率值；

将拥有更高平均概率值的体素的标签改为非增强组织类别，相反，其他体素的标签保持不变。

5.根据权利要求1所述的一种基于单程多任务卷积神经网络的医学图像分割方法，其特征在于，所述深度模型中用于单个任务的基本网络模型包含一个编码路径和一个对称的解码路径，编码路径生成高级的复杂特征表达，解码路径来恢复特征图的尺寸大小，实现体素级标签的预测；编码路径和解码路径都由卷积层、最大值池化层、残差块和反卷积层构成；

深度模型中每个子任务只拥有其独立的位于网络尾端的一个卷积层和一个分类层，其余网络层作为深度模型的共享结构；所述三个子任务分别对应三个不同的输入和输出，输入网络的数据维度是32×32×16×4，三个子任务的输入数据会沿着样本数目的维度合并起来进入所述共享结构；所述共享结构输出的训练特征会按所述样本合并的位置进行切片，通过各自特有的网络层，最终得到三个子任务的分割结果，其中，子任务一和子任务二是5分类，子任务三是2分类。