[发明专利]一种基于双重交错的医学图像分割网络

说明书

本发明提供了一种基于双重交错的网络，包括：处理图片数据集；使用双重交错网络结构，DCNN第一个基础块获取医学图片的特征与原始图像特征融合后作为DCNN第二个基础块的图片输入；每个基础块在上下采样的过程中，采用非対称结构，下采样过程中采用密集连接块，减少下采样的特征损失，并且在每个基础块内部使用criss‑cross方式作为不同层级的隐藏特征，增强网络内部多级语义特征融合，提高网络提取和留存特征信息的能力。在医学图像分割任务中达到了更高的准确率。解决了因为使用Bottom‑up导致丢失小物体和模糊定位边界信息的问题。

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于卷积神经网络和堆叠级联网络的医学图像分割及实现方法。

背景技术

最近几年，基于深度学习的机器视觉的研究方法被大量提出，相比之前使用手工分割图片，极大地提高了实现效率和系统性能。在机器视觉方面，通常使用卷积神经网络包括：Gan，DenseNet，Resnet等提取图片的高维特征，用该特征作为图片的高维表示。在医学图像分割方面，以2015年提出的Unet作为里程碑式分割网络，它能较好的捕获医学图像复杂的纹理特征。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依据的关键问题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展，如可视化、三维重建等，而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于深度学习算法在医学图像分割中的应用,医学图像分割技术取得了显著的进展。

机器视觉长期以来都是人工智能的基础性研究领域，是人工智能中重要的研究课题之一，有助于推进人工智能更进一步发展。在实现方面较单一系统更为复杂，上下采样采用非対称式结构，其基本网络内部需使用交措型网络进行多级语义特征融合方法，提高了医学图像的分割精度。

发明内容

本发明要解决的技术问题是：提供一种使用criss-cross同时扩展网络深度的思想，解决传统网络分割丢失信息的问题。

本发明使用案例为较为复杂的医学图像-脑MRI图，包含四个模态：T1,t1c,T2,andFlair。众所周知，脑肿瘤分割是医学图像分析领域的一个重要内容，由于肿瘤个体的形状、纹理等差异较大，从而实现更为困难。其分割效果主要取决于分割网络的关键特征提取能力。

由于图像采集设备的不同，数据的原始分布完全不同。因此，为了平衡数据集，本发明采用z分数归一化操作作为优化数据集的预处理步骤。z分数归一化可以定义如下：

y＝(x-mean(x))/std(x)

本发明将基于脑肿瘤图片的分割视为一个分类问题，对于每一个像素点输出一个数值，本发明使用一个阈值将输出数值小于该阈值的答案视为背景，输出分数大于该阈值的像素点视为肿瘤区域。

本发明使用经过z分数归一化的脑MRI图片作为算法的图片输入特征，本发明使用double criss-cross net作为提取脑肿瘤特征的算法，将第一层之后编码信息与原始信息合并依次输入第二层中，得到最终的分割结果。

传统的医学图像分割网络比如Unet，只提取了图片中物体的特征，且特征信息在冗长且单一传输渠道的网路中容易导致分割算法小物体及边界信息分割准确率不高。本发明将多级特征融合加入网络，在增加网络特征传输和留存能力的同时，也拓展了网络深度。此算法在关于脑肿瘤分割问题上有了较大进步。

本发明的前景是广阔的，本发明提高了脑肿瘤分割的准确率，能够有效提高分割性能，辅助医疗诊断。

附图说明

图1是本发明一种实施例的模型训练示意图

图2是本发明一种实施例的模型使用示意图

图3是本发明的网络模型架构示意图

图4是本发明的特征融合示意图

具体实施方式