[发明专利]一种基于多尺度融合U型链神经网络的医学图像分割方法

权利要求书

1.一种基于多尺度融合U型链神经网络的医学图像分割方法，其特征在于，包括以下步骤：

S1、对待分割的图像数据进行预处理，得到训练数据集；

S2、构建多尺度融合U型链神经网络，其包括两个U型模块，每个U型模块由多个多尺度融合模块构成，两个U型模块一一对应且相互之间的特征进行add操作；

所述每个U型模块包括编码器、解码器和底部模块，编码器和解码器分别包括多个多尺度融合模块，底部模块包括一个多尺度融合模块，编码器的多尺度融合模块和解码器的多尺度融合模块一一对应且相互之间特征进行add操作，底部模块的多尺度融合模块分别与编码器和解码器的最后一个多尺度融合模块进行卷积操作；

所述多尺度融合模块包括3个3×3卷积操作，并分别在前两个卷积操作之后添加残差连接，与第三个卷积操作后得到的特征进行Concatenation操作；

三个连续的卷积层的filter数量分别设置为(0.2，0.3，0.5)×Input_channel，其中Input_channel为输入的通道数，在原始输入之后添加1个1×1卷积操作，与前面得到复杂特征相加，之后再通过relu激活函数、BN处理后，成为下一个卷积或转置卷积的输入；

S3、采用训练数据集对多尺度融合U型链神经网络进行训练，将训练数据集随机分为两部分，一部分为训练集，另一部分为验证集：

S4、将训练集输入多尺度融合U型链神经网络，使用交叉熵损失函数，计算训练过程中预测分割结果与真实标签之间的损失值；

S5、将验证集输入多尺度融合U型链神经网络，使用交叉熵损失，计算验证过程中预测分割结果与真实标签之间的损失值；

步骤4或步骤5的损失值的计算公式如下：

其中，H(p,q)为预测分割结果与真实标签之间的损失值，P(X)表示样本的真实分布，Q(X)表示模型所预测的分布；

S6、判断验证过程中的损失值是否小于训练过程中的最小损失值，若小于则保存当前训练的模型更新网络参数，然后执行步骤S7；

当验证过程中的损失值大于训练过程中的最小损失值，则执行步骤S7；

S7、判断当前迭代次数是否达到预设的epoch值，若未达到则返回步骤S3进行下一次迭代，若达到预设的epoch值，完成多尺度融合U型链神经网络的训练。

2.根据权利要求1所述的一种基于多尺度融合U型链神经网络的医学图像分割方法，其特征在于，步骤S1中图像数据预处理的过程具体如下：

对图像数据进行格式转换，然后对得到的图像数据进行缩放并设置像素，对缩放的图像数据依次进行归一化和二值化处理，得到训练数据集。

3.根据权利要求2所述的一种基于多尺度融合U型链神经网络的医学图像分割方法，其特征在于，步骤S1还包括以下步骤，对二值化处理后得到的训练数据集进行增强，通过对训练数据集进行翻转变换、平移变换和噪声扰动的方法增加训练数据集的数据量。

4.根据权利要求1所述的一种基于多尺度融合U型链神经网络的医学图像分割方法，其特征在于，所述编码器和解码器结构相同，均包括4个多尺度融合模块，每相邻两个多尺度融合模块之间进行一个步长为2的3×3卷积操作；

所述底部模块的多尺度融合模块，与编码器的最后一个多尺度融合模块进行一个步长为2的3×3卷积操作，与解码器的最后一个多尺度融合模块进行一个步长为2的3×3转置卷积操作。

5.根据权利要求1所述的一种基于多尺度融合U型链神经网络的医学图像分割方法，其特征在于，步骤S7后还包括以下步骤：

S8、将图像输入至训练后的多尺度融合U型链神经网络，其输出图像分割结果和评测指标。