[发明专利]一种端到端的联合分类的医学图像分割方法及系统

权利要求书

1.一种端到端的联合分类的医学图像分割方法，其特征在于包括以下步骤：

构建训练数据集，所述训练数据集至少包含原始图像、分类标签和分割标签；

构建联合分类的语义分割模型，所述语义分割模型至少包括第一模块，所述第一模块用以判别输入图像是否包含待分割目标；

使用所述训练数据集对所述语义分割模型进行端到端的训练，并在训练验证集上确定模型所需的阈值；

使用所述语义分割模型的第一模块对图像进行判别，判断所述阈值确定图像是否包含待分割目标；

根据判断结果，对包含待分割目标的图像进行分割处理。

2.如权利要求1所述的方法，其特征在于，所述分割标签为二值图掩膜，掩膜中白色区域为患病的位置，掩膜黑色区域为正常区域，当掩膜全零时，表示该图没有待分割目标。

3.如权利要求1所述的方法，其特征在于，所述分类标签是根据训练集中的掩膜统计得到的，为二值图掩膜，当所述分类标签当掩膜为全黑时，原图的分类标签为零，掩膜非全零时，标签为1。

4.如权利要求1所述的方法，其特征在于，所述阈值至少包括两个，分别为分类阈值和分割阈值。

5.如权利要求1所述的方法，其特征在于，所述第一模块至少包含一个池化层、两个全卷积层以及分类损失函数，所述模块获得的最终特征为N维。

6.如权利要求1所述的方法，其特征在于，所述训练分割模型的过程包括以下步骤：

将所述训练数据集中的原始图像进行进行旋转，裁剪，翻转以及亮度对比度等增强后，将图像送入模型的编码阶段，获得不同分辨率下的特征图；

将所述不同分辨率下的特征图分别进行分类判别处理和解码处理，判别输入图像是否包含待分割目标；

将解码后的图像送入分割模块的损失单元，根据处理结果进行端到端的训练。

7.如权利要求6中所述的方法，其特征在于，所述的分类判别处理步骤包括：

获取特征征图；

将特征征图输入池化层进行处理；

将特征征图输入第一全卷积层进行处理；

将特征征图输入第二全卷积层进行处理；

对特征征图采用分类损失函数进行分类判断；

输出分类判断结果。

8.如权利要求6中所述的方法，其特征在于所述的解码处理步骤包括：

输入上一解码单元的输出特征；

对特征进行上采样处理；

将上采样后的特征图和编码阶段对应尺寸的特征图进行拼接；

输入卷积单元，输出的特征；

将输出的特征依次送入下一个解码单元。

9.一种端到端的联合分类的医学图像分割系统，其特征在于至少包括：编码模块，分类判别模块，解码模块，分割判别模块，其中：

编码模块：为任意的图像分类卷积模型，用于对训练数据集进行编码处理，所述训练数据集通过该模块的层层卷积，原始图像被降采样，得到不同分辨率下的特征图；

分类判别模块：用于判别输入图像是否包含待分割目标，包含一个池化层，两个全卷积层以及分类损失函数，最终的特征为N维；

解码模块：对编码后的特征进行解码，包含一个上采样层和一个卷积层模块，经过解码层变换后的特征图再和编码阶段中该中间层的上一层的特征进行拼接；

分割判别模块：包含损失处理函数，所述损失函数为分类损失和分割损失的加权和，然后根据进行端到端的训练，并根据事先设定的阈值进行判断，得出分割判别的结果。

10.如权利要求9所述的系统，所述的编码模块的卷积模型包括vgg、resnet、senet、Inception。

11.如权利要求9所述的系统，所述的编码模块包括5个编码单元，每个编码单元内部包含至少一个两个卷积层，每个卷积后还包括有Batchnorm层和线性激活层。

12.一种电子设备，其特征在于，所述系统包括处理器以及存储器，所述存储器用于存储可执行程序；

所述处理器用于执行所述可执行程序以实现权利要求1-8中任一项所述的方法。