[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

说明书

本发明公开了一种基于单程多任务卷积神经网络的医学图像分割方法，先利用网络把分割任务拆成三个不同但关联的子任务；子任务一对图像进行粗分割，确定完整组织大致区域；子任务二对该区进行膨胀和精细分割，得到区内体素的精确组织类别和完整组织精确位置；子任务三用精分割来扫描完整组织内的体素，决策出增强组织位置；然后三个子任务用课程学习策略由易到难分阶段训练，实现子任务间的数据和参数共享；最后通过后处理法改善分类错误问题并输出最终分割结果。本发明将关联子任务合成单一网络同时训练，改进了级联模型逐一训练子任务的缺点并更好解决了类别不平衡问题，单程运算实现了对图像由粗到精的分割，系统复杂性降低之余提高了分割效果。

技术领域

本发明涉及图像处理领域，具体涉及一种基于单程多任务卷积神经网络的医学图像分割方法。

背景技术

随着科学技术的发展，计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、正电子发射断层成像(Positron EmissionTomography，PET)和电子内窥镜(Endoscopy)等现代医疗成像技术及设备得到迅猛发展和普及。在这些技术和设备投入使用之后，我们可以方便地获得大量的医学影像资料，并通过计算机等设备处理、观察、分析病人的患病组织或器官，使得医疗人员可以更清晰地了解病情，大幅度缩短确诊时间并提高诊断准确率。值得注意的是，医学图像分割技术是放射科医生为病人进行临床诊断的一种有力手段，图像分割技术的成熟程度往往决定了病人的康复速度。

由此可见，医学图像分割是决定医学图像在临床诊疗中能否提供可靠信息的关键，目前国内外已有众多学者投入到该领域的研究当中。至于常用的医学图像分割方法，主要包括传统的分割方法和基于深度学习的分割方法两种。传统的方法包括：基于阈值的分割、基于边缘的分割、基于区域的分割、基于运动的分割、基于活动轮廓模型的分割等。然而，在以上传统分割方法的基础上，学者们已对它们做出了大量的改进和优化，如基于图论、图谱引导、数学形态学、模糊聚类、小波变换的分割等。另一方面，由于深度学习算法在医学图像分割中的应用，医学图像分割技术在近年来取得了显著的进展。Wu Xundong等人提出的基于迭代卷积神经网络的细胞膜分割方法，通过在细胞膜检测概率图上迭代使用卷积神经网络算法，细胞膜的分割精度有了一定的提升。Stollenga等人首次在六个方向上使用3D LSTM-RNN对脑部MR图像进行分割，用金字塔方式重新排列MD-LSTM中传统的长方体计算顺序，使得网络可以在GPU上并行训练，大大提高了网络训练的效率。Adermatt等人使用带有门控单元的3D RNN网络分割MR图像中的灰质和白质，结合数据预处理和后处理操作，进一步提高了分割准确率。Wang等人把多任务的脑部组织分割分解成三个连续的一系列二分类分解任务，且每个任务通过独立的网络来进行训练，该做法能够有效地缓解类不平衡性问题，但它是用提高系统复杂度和忽略任务关联性来作为代价的。

分析以上的分割方法可知，每种方法适用于不同的特定场合，且分割效果各有优劣。鉴于基于深度学习的分割方法学习能力强，且其分割效果一般比传统的分割方法好，因此当今医学图像分割技术是朝着深度学习的方向发展的。但深度学习使用的模型结构往往非常复杂，且训练过程中会产生极其庞大的参数量，这对计算机的硬件配置要求非常高。这一系列问题，导致了基于深度学习的分割方法应该向结构简单化、参数少量化的方向发展。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于单程多任务卷积神经网络的医学图像分割方法，所述方法提出了一个模型结构简单化、参数少量化且分割效果较好的深度学习模型，使得所述方法更为简洁、鲁棒性更强，分割效果也更为理想。

本发明的目的可以通过如下技术方案实现：

一种基于单程多任务卷积神经网络的医学图像分割方法，所述方法包括以下步骤：