[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

说明书

本发明公开一种端到端的联合分类的医学图像分割方法及系统，其中，所述的方法包括构建训练数据集，构建联合分类的语义分割模型，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。利用本发明公开的方法和系统，对图像分割前首先对图像进行分类判断，只需对有病灶特征的图像进行分割，不仅可以减少误检，而且能明显降低分割的工作量和成本，具有较强的实用意义。

技术领域

本发明涉及一种分割方法，尤其涉及一种联合分类的医学图像分割方法，该方法是一种端到端学习的方法。

背景技术

基于U-net编解码结构的语义分割在医学图像分割，自然场景分割等领域中已经发挥了巨大的作用。这种方法主要由编码部分和解码部分组成，其中编码部分是为了提取图片的特征，解码部分则主要实现图像的像素级分类即分割。在医学图像分割中，医生要通过病人的x光图或CT图像来判断病人是否患病以及患病的病灶位置。传统的分割方法直接对图片的像素进行分类从而实现分割，实际应用中，会有很大一部分病人的x光图并没有病灶，直接使用分割会造成很多误检，影响医生的判断。

发明内容

为解决现有技术存在的上述问题，本发明要解决的问题是提供一种有效减少错误分割，提高分割的效率的解决方案。

为了实现以上目的，本发明设计了一种联合分类的端到端的分割方法，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。

优选的，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。

优选的，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。

优选的，所述阈值至少包括两个，分别为分类阈值和分割阈值。

优选的，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1024维。

优选的，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。

优化的，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。

优化的，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。