[发明专利]基于编码解码结构结合残差模块的医学图像分割方法

说明书

本发明公开了基于编码解码结构结合残差模块的医学图像分割方法，对用于医学图像分割的卷积神经网络采用编码解码网络和残差模块特定的结合方式，编码解码网络在无需大量数据的情况下即可提取有效特征，使卷积神经网络能够充分学习到图像的特征；残差模块解决网络中可能出现的网络退化的问题，提高医学图像的分割精度。本发明采用深度学习的方法，使得卷积神经网络通过数据集能够自动学习医学图像中需要分割区域的特征，且不需要繁琐的操作过程和参数调整。另外本发明通过使用预训练权重参数和基于全连接条件随机场的边缘优化策略提高网络的收敛速度并进一步优化医学图像分割的结果。

技术领域

本发明涉及医学图像分割技术领域，尤其涉及基于编码解码结构结合残差模块的医学图像分割方法。

背景技术

图像分割一直是图像处理和分析领域的一个热点研究话题，是计算机视觉中至关重要的问题。在医疗图像分析中，图像分割技术所发挥的作用愈加重要。图像分割是对图像中特定组织或区域进行精确提取的不可或缺的手段，分割图像用于对患病区域定量的分析与研究，对医生的诊断能够起到重要的辅助作用。目前对于医学图像的分割主要有以下几种方法：

第一种是传统的图像分割，这种方法通常是根据图像的灰度、纹理、颜色、空间结构等特性将图像分割不同的区域。如基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法，它们对不同类型的图像分割效果差异较大，且依赖于医生手动调整输入参数特性，对医生往往有较高的经验要求，而往往大部分医生都不具备充分的案例经验，导致传统图像分割的使用范围和性能都有一定限制。

第二种是基于机器学习的方法，这些方法利用大量的训练数据提取特征，并用这些特征来训练模型，完成这个任务的关键是在复杂的原始图片中提取鉴别度高的特征，提取特征的步骤仍然由研究人员手动完成，效率低下并且容易受到医生的经验等主观因素影响。

第三种是基于深度学习的方法，这种可以很好的将一些已有的数据转化为辅助医生诊断的实际工具，现在也有一些通用的深度学习方法来对医学图像进行分割，但分割精度也无法达到理想效果，另外通常医学图像缺乏高质量的标注数据，导致数据集中数据质量和数量都堪忧，而通用的大型深度学习网络结构由于需要大量的数据进行训练，也无法从有限的数据中学习到有效特征。

发明内容

本发明为解决现有的医学图像分割方法的分割精度和分割效率较低，且存在使用局限性的问题，提供了基于编码解码结构结合残差模块的医学图像分割方法。

为实现以上发明目的，而采用的技术手段是：

基于编码解码结构结合残差模块的医学图像分割方法，包括以下步骤：

S1.获取医学图像数据集作为训练集；

S2.构建基于编码解码结构结合残差模块的卷积神经网络并利用所述训练集进行训练；

S3.获取待分割的医学图像，并通过训练完毕的基于编码解码结构结合残差模块的卷积神经网络对其进行分割，得到分割结果。

优选的，步骤S2中利用所述训练集进行训练前还包括基于所述训练集进行预处理：

对所述训练集中的医学图像进行归一化处理为一致的图像大小；

对归一化处理后的医学图像进行数据增强处理；

利用数据增强处理后的医学图像对所述卷积神经网络进行预训练从而初始化所述卷积神经网络的权重参数。

在本优选方案中，由于训练集中的医学图像的大小可能不相同，因此对其进行归一化处理为统一的大小；由于医学图像缺乏高质量的标注数据，使用数据增强的方法可以扩大数据集的数据量大小，以便有充足的数据进行特征学习。

优选的，所述数据增强处理具体为对所述训练集中归一化处理后的医学图像沿随机轴镜像翻转。