[发明专利]基于有效学习的端到端的结直肠息肉图像分割方法

说明书

本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。

技术领域

本发明属于医学图像分割领域，尤其涉及基于有效学习的端到端的结直肠息肉分割方法。

背景技术

随着医学图像成像技术和图像质量的不断提高使得在CT图像上完成结肠息肉的发现、分割和分型成为可能。结直肠癌作为全球第三大健康杀手，及早的对其进行防治十分重要。结直肠息肉作为结直肠癌的主要风险因素如果可以尽早被发现可以减少癌变的可能，对息肉检测首先要把息肉区域分割出来，只有准确分割目标区域，才能进行进一步的诊断。

目前深度学习技术在医学图像分割领域表现出众，但是将深度学习技术应用于结直肠息肉分割领域的相关研究比较少。因此基于深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。

发明内容

针对结直肠息肉前景区域和背景区域占比的不均匀以及边缘不规则问题，本发明提供基于有效学习的端到端的结直肠息肉分割方法。具体而言，该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。

为实现上述目的，本发明采用如下的技术方案：

基于有效学习的端到端的结直肠息肉分割方法，包括以下步骤：

步骤1：对初始结直肠CT图像数据集进行数据预处理；

步骤2：根据选用的网络结构进行网络搭建；

步骤3：准备训练集，让数据预处理后的直肠CT图像数据集在搭建好的网络上进行训练，获得初始直肠CT图像分割模型；

步骤4：通过有效学习损失函数衡量直肠CT图像分割模型预测的好坏；

步骤5：使用最小化有效学习损失函数的方式不断优化网络分割模型，最后得到是分割结果达到最优的网络模型；

本发明所述的基于有效学习的端到端的结直肠息肉分割方法特征还包括：

所述步骤1中，含有息肉的原始结直肠CT图像数据带有很多无关信息，息肉相对于整个CT图像来说所占比例过小，同时CT图像的大小存在差别，所以首先对图像进行尺寸归一化处理。同时针对训练数据有限且医学图像获取困难的问题，使用翻转、旋转、对比度增强、噪音扰动等数据增强手段增加数据量。

所述步骤2中，选用U-Net网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。把U-net和CRF-RNN结合在一起作为一整个深度网络进行训练，U-net可以输出每个的像素点属于每个类别的概率值，即标签分数图，把此标签分数图作为能量方程的一元势函数。把迭代条件随机场(CRF) 推断作为循环神经网络(RNN)，在每次迭代中的平均场中使用高斯空间和双边滤波器作近似值，分类结果为两类：目标区域和背景，网络最后使用Sigmoid 激活函数。

所述步骤3中，准备标注集，根据U-net网络输入格式设计标注集。标注好的数据中5/6用来做训练集和验证集，训练集和验证集的比例是9:1，其余数据作为测试集。将训练集在设计好的网络模型上训练，获得初始模型M。