[发明专利]一种基于深度学习的三维图像分割方法

说明书

本发明公开了一种基于深度学习的三维图像分割方法。本发明结合了二维图像训练和三维图像的空间域信息，保留二维图像训练快的特点，提高了二维图像训练出的模型的性能，通过融合自适应三个不同方向的基于二维图像的分割结果，来进行预测，本发明能够很好的提高了模型的精度。通过结合三个不同方向的融合，运用到三维图像的空间信息，解决了直接使用二维图像进行模型训练在空间域上的信息缺失，从而提高模型性能。本发明较三维图像直接参与训练，模型收敛速度显著提高，明显地降低了训练的计算消耗。

技术领域

本发明涉及三维图像分割技术领域，具体涉及一种基于深度学习的三维图像分割方法。

背景技术

视觉是人类获取信息最重要的方式，随着电子信息技术的发展，图像已经逐渐成为人类视觉信息获取过程中的重要载体，它还可以辅助我们看到很多无法肉眼观察的场景，如微观世界，人体的内部结构，以及遥远的星系等。而现实的物理世界是三维的，而常见的二维图像采集及显示技术传递无法记录和重现出场景的三维深度感。

近年来深度学习发展迅速，在计算机视觉领域也取得了很好的效果。但是由于目前的深度学习是在大数据中进行学习特征，数据量大对机器的计算成本要求较高。因此，目前大多基于计算机视觉的深度学习，都是在二维图像的基础上进行。常见的处理方式是将三维图像基于深度上取每一层的二维平面进行训练，从而达到减少计算代价。但是将三维图像转换成二维图像处理的方式，会损失一部分图像在空间上的信息。在目标定位等学习任务中，空间上的信息也十分重要。

在深度学习中，为了减小运算量的目的，在深度学习中最常用的预处理方法就是基于三维图像的深度方向，依次截取出每一层的二维平面，取出的二维平面也就是一张二维图像，就将原始三维图像转化为多张二维图像进行训练，最后预测时将每一层的预测结果通过基于深度通道的堆叠操作连接还原成三维图像。在训练过程中，通过省略了深度这一维度从而减小参数量，最后减小计算量的目的。基于深度取出的二维图像进行训练，只考虑了图像宽度方向和高度方向的信息，会损失图像在三维空间中的空间信息。在对目标定位等任务中对于空间位置的定位精度有很大影响。但如果直接使用三维图像进行训练，计算量很大，对硬件性能要求较高，且耗时较久。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习的三维图像分割方法解决了图像分割中精度不高、计算消耗较大的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的三维图像分割方法，包括以下步骤：

S1、对三维核磁共振图像进行预处理，将图像分为训练集和测试集；

S2、将训练集中的训练图像分为深度方向二维图像、高度方向二维图像和宽度方向二维图像，在深度方向二维图像、高度方向二维图像和宽度方向二维图像上选取固定尺寸的块图像；

S3、通过U型卷积神经网络对训练图像的块图像进行训练，通过迭代学习得到深度方向、高度方向和宽度方向的分割模型；

S4、将测试集中的测试图像分为深度方向二维图像、高度方向二维图像和宽度方向二维图像；

S5、将测试图像的深度方向二维图像、高度方向二维图像和宽度方向二维图像分别输入深度方向分割模型、高度方向分割模型和得到宽度方向分割模型，分别得到深度训练结果、高度训练结果和宽度训练结果；

S6、将深度训练结果、高度训练结果和宽度训练结果进行堆叠还原成三维预测概率特征图；

S7、对预测概率特征图进行平滑处理，得到三维分割图像。

进一步地：所述步骤S1的具体步骤为：

S11、将三维核磁共振图像转换成矩阵，并对矩阵做归一化处理得到归一化后的数据；

S12、将归一化后的数据分为训练集和测试集，并对训练集中的训练数据通过图像变换增强数据。