[发明专利]一种基于深度学习的医学超声图像分割方法

说明书

本发明属于深度学习计算机视觉和医学信息处理技术领域，具体涉及一种基于深度学习的医学超声图像分割方法。本发明的方法在通用图像分割神经网络模型基础上，融合多输入多输出技术、注意力机制、孔洞卷积技术、小样本医学数据增强等多种新型技术，重点解决小样本学习，超声图像对比度低，结节边缘模糊等难点痛点问题，得到本发明最优分割策略。

技术领域

本发明属于深度学习计算机视觉和医学信息处理技术领域，具体涉及一种基于深度学习的医学超声图像分割方法。

背景技术

随着科学技术的进步，医学影像技术取得了长足的发展，超声成像技术由于操作简便、无辐射损伤、成本低等优点，在预防诊断及治疗中具有重要价值。目前，在医学图像中对感兴趣区域进行分割，是进行影像分析和病灶识别的基础。临床上广泛采用人工分割的方法对超声图像进行分割，经验丰富的临床医生根据自己的专业知识，手工勾画感兴趣的领域。然而，手工分割不仅耗时，极其依赖医生的专业技能和丰富的经验，而且由于超声图像具有边缘模糊，对比度较低等特点，使得人眼视觉分辨十分困难。因此，如何自动且高效的分割超声图像已成为人们迫切需要解决的问题。

近年来，深度神经网络模型—卷积神经网络(CNN)，为生物医学图像分割表现的提升提供了巨大技术支持。卷积神经网络可以自动学习图像中低层次视觉特征和高层次语义特征，避免了传统算法中手工设计并提取图像特征的复杂过程。然而，传统CNN无法合理地将底层特征传播至高层。在语义分割模型(U-NET)中，可以通过跳跃连接等方法，实现低维特征和高维特征的通道融合，完成良好的分割效果。

发明内容

本发明的目的是在超声医学图像处理中，提出一种基于深度学习Feature-Pyramid-Attention-Unet(FPA-Unet)网络的超声图像分割设计方案，以获得更好的分割性能。

本发明采用的技术方案是：

一种基于深度学习的医学超声图像分割方法，包括以下步骤：

步骤1、对待分割超声图像数据进行预处理，得到训练集、验证集数据；

步骤2、对训练集、验证集数据做数据增强，包括：

1)采用离线增强增加训练数据的数据量：采用旋转变换与水平翻转变换，做10倍增强；

2)利用在线增强增强网络模型的泛化性：采用旋转变换、尺度变换、缩放变换、平移变换、颜色对比度变换，用在线迭代器方式在增强数据多样性的同时减少内存压力；

步骤3、构建多输入多输出空洞卷积U型网络，包括：

1)多输入下采样模块：下采样模块一共4层，多输入采用图像多尺度方法，对输入数据做大小放缩，变为8:4:2:1的四副数据，分别与进网络的一二三四下采样层融合；下采样模块利用卷积层与最大池化层完成底层特征获取，依次获得特征图；每一层的卷积核大小为3×3，采用空洞卷积r＝2，即在常规卷积核中加入间隔从而增加图像感受野，第一层到第四层的卷积核数量大小分别为32、64、128、256；

2)上采样模块：上采样模块一共4层，采用反卷积作为上采样方式，每一层将注意力特征图与上采样特征图做通道连接，进行多维特征融合；上采样模块依次扩大特征图像尺寸，减少通道数量，最终得到与输入数据相同大小的预测图；每一层的卷积核大小为3×3，从第一层到第四层的卷积核数量大小分别为256、128、64、32；上采样模块还包括通道注意力机制模块用于提高网络的准确性和有效性，通道注意力机制模块包括：

1)计算门信号图：把高维特征通过1*1卷积，得到U型网络门信号；

2)计算注意力系数：把低维特征2倍上采样，与门信号相加，经过全局平均池化，送入1*1卷积，再进行上采样即可得到注意力系数；

3)计算注意力表征：将注意力系数与低维特征相乘，获得注意力模块的特征结果；