[发明专利]多路多尺度并联编解码网络图像分割方法、系统及介质

权利要求书

1.一种多路多尺度并联编解码网络医学图像分割方法，其特征在于，包括以下步骤：

1)将训练数据进行预处理，然后划分数据集为训练集和测试集；

2)训练集用于训练多路多尺度编解码网络深度学习模型的网络参数，测试集用于验证迭代完成的网络参数的泛化性能，如果测试集精度不满足预先设定要求则从新划分数据集进行训练，如果满足预先设定要求则保存网络参数；

3)对待预测数据作与训练数据相同的预处理，载入训练好的网络参数，最后对模型输入图像，并得到分割预测结果，分割结果以概率图表示；

所述对模型输入图像，并得到分割预测结果的步骤中，分割预测方法包括以下步骤：

3.1)输入图像经过输入变换模块，由单通道图像卷积变换为多通道特征图；

3.2)设置多路多尺度特征提取模块的卷积编码器，其中第一路作尺度不变卷积，其他路做不同尺度的下采样卷积，对来自步骤3.1)的输入图像分别进行卷积编码后，得到包含原尺度在内的多个尺度的多通道特征子图；

3.3)各路设置对应尺度的特征提取网络子模块，其中特征提取网络子模块由单个或多个级联的Res-Block残差卷积模块组成，对来自步骤3.2)的不同尺度的多通道特征子图进行特征提取；

3.4)设置多路多尺度特征提取模块的卷积解码器，其中第一路作尺度不变卷积，其他路做不同尺度的上采样卷积，对来自步骤3.3)经过特征提取的多个特征子图进行卷积解码，得到多个与原尺度相同，且通道数相同的特征子图；

3.5)设置一个交汇路口网络模块，将来自步骤3.4)的特征子图通过concatenate的方法在卷积通道上叠加，并使用一个降通道卷积和两个级联Res-Block残差卷积模块将特征信息进一步融合；

3.6)设置一个基于全连接层的输出模块，对步骤3.5)的结果进行全连接卷积得到最终的特征子图，并使用Sigmoid函数对其进行0-1预测，得到最终的输出概率图。

2.如权利要求1所述分割方法，其特征在于，所述预处理要求输入数据图像与标注图像的各维度的尺寸大小一致。

3.如权利要求1所述分割方法，其特征在于，所述迭代的总次数e_poch不大于200，达到最优值邻域的迭代次数epoch不大于100。

4.如权利要求1所述分割方法，其特征在于，所述多路多尺度编解码网络深度学习模型包括输入变换模块、多路多尺度特征提取模块和交流路口与输出模块；

所述输入变换模块包含两层卷积层，将输入图像由单通道图像卷积变换为与路数对应的多个多通道特征图；

所述多路多尺度特征提取模块包括原始尺度与其他尺度的特征提取模块，原始尺度的特征通过原尺度的卷积编解码和基于Res-Block网络特征提取子模块的结构实现，其他尺度的特征通过变换尺度的下采样卷积编码与上采样解码卷积解码，和基于单个或级联的Res-Block网络特征提取子模块的结构实现；

所述交流路口与输出模块包括一个通道变换卷积层、两个级联的Res-Block的网络特征提取结构和两个级联的FCN层网络模块；用于对多路多尺度的特征提取结果进行融合，并输出预测图。

5.如权利要求1所述分割方法，其特征在于，对多路多尺度编解码网络深度学习模型的训练方法包括：

对训练数据和对应标签进行预处理，将数据集划分为训练集和测试集，并设置迭代次数；训练集用于迭代训练网络，计算Loss并利用梯度求导反向传播更新参数，迭代完成时得到模型的网络参数；测试集用于验证网络参数的有效性，将参数输入到网络模型中，计算平均Loss，平均Dice系数和mAP指标，根据预先设定的阈值，此时若达标则保存训练好的网络参数，若未达标，需要重新划分数据集与迭代次数，重新训练网络。

6.如权利要求5所述分割方法，其特征在于，训练阶段的Loss计算采用交叉熵(BCELoss)+DiceLoss的混合损失函数。