[发明专利]一种基于深度卷积神经网络的病灶图像分割方法及系统

说明书

本发明提供了一种基于深度卷积神经网络的病灶图像分割方法及系统，利用经过训练的病灶图像分割模型中的三维特征融合模块通过映射关系转化待测部位的原始图像所提取的初始多尺度特征图以匹配不同的特征分辨率，进而提高模型精度，利用病灶图像分割模型中的单级特征细化模块来细化和融合三维特征融合模块以及三层深度神经网络中同层级的特征，以解决不同尺度特征间的不一致性，以得到具有高一致性的多层深度注意特征图；利用病灶图像分割模型中的多级特征细化模块缓解替代消失问题，利用构建的混合损失函数增强SDS以得到病灶图像，以避免多层深度注意特征图直接平均用于预测病灶区域，提高模型性能和准确性。

技术领域

本发明涉及临床影像技术领域，特别涉及一种基于深度卷积神经网络的病灶图像分割方法及系统。

背景技术

胃癌(gastric cancer)是起源于胃黏膜上皮的恶性肿瘤，也是消化道系统种非常普遍的癌症，通常采用CT作为其常规的胃癌影像检查方式，而从CT影像中自动分割病灶图像对于术前具有指导且重要亟需意义。目前，自动分割方法有多种，尤其是运用深度学习在医学影像分割性格完成巨大成功。通常采用的自动分割方法有特征金字塔网络、多视点特征金字塔网络以及基于深层注意特征的特征金字塔网络等，但上述自动分割方法往往忽略多尺度特征之间的不一致性或没有考虑到单层特征和多层特征之间的低级信息和高级信息之间的互补作用，使得影像分割精度低且浪费资源。

因此，现有技术还有待改进和提高。

发明内容

基于此，有必要针对现有技术中影像分割精度低且浪费资源的技术问题，提供一种基于深度卷积神经网络的病灶图像分割方法及系统。

为了解决上述技术问题，本发明所采用的技术方案如下：

第一方面，本申请提供一种基于深度卷积神经网络的病灶图像分割方法，所述基于深度卷积神经网络的病灶图像分割方法包括以下步骤：

采集待测部位的原始图像；

将所述原始图像输入经过训练的病灶图像分割模型，通过所述病灶图像分割模型确定所述待测部位的病灶图像；其中，所述病灶图像从所述原始图像分割出。

可选地，所述病灶图像分割模型包括三层深度神经网络、三维空间特征融合模块、单级特征细化模块以及多级特征细化模块，所述将所述原始图像输入经过训练的病灶图像分割模型，通过所述病灶图像分割模型确定所述待测部位的病灶图像具体包括：

所述原始图像输入至所述三层深度神经网络，通过所述三层深度神经网络确定所述原始图像的三个初始多尺度特征图；

三个初始多尺度特征图输入至所述三维空间特征融合模块，通过所述三维空间特征融合模块确定每个初始多尺度特征图对应的修正多尺度特征图；

将单个初始多尺度特征图以及对应的修正多尺度特征图组合输入至所述单级特征细化模块，通过所述单级特征细化模块确定所述初始多尺度特征图对应的多层深度注意特征图；其中，所述多层深度注意特征图的深度高于所述初始多尺度特征图；

将三个多层深度注意特征图输入至所述多级特征细化模块，通过所述多级特征细化模块确定所述原始图像的病灶图像。

可选地，所述三层深度神经网络包括一个下采样层、级联的三个编码层以及级联的三个解码层，所述编码层与所述解码层一一对应；

所述三维空间特征融合模块包括三个三维空间特征融合网络，一个三维空间特征融合网络与一个所述解码层单层级联，每个三维空间特征融合网络均包括特征修正单元、特征提取单元以及特征融合单元；

所述单级特征细化模块包括三个单级特征细化网络，一个单级特征细化网络与一个所述三维空间特征融合网络单层级联，每个单级特征细化网络均包括单级通道拼接单元以及级联的三个单级整流线性单元；