[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

说明书

本发明涉及一种多路多尺度并联编解码网络图像分割方法、系统及介质，其包括：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；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；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。本发明能在医学图像分割任务中保持整体分割精度的同时，提高了对目标细节的分割效果，并且使网络训练收敛速度更快。

技术领域

本发明涉及一种计算机视觉以及医学图像分析和处理领域，特别是关于一种多路多尺度并联编解码网络图像分割方法、系统及介质。

背景技术

医学图像分割是一个经典难题，随着影像医学技术的发展，图像分割在医学应用中具有特殊的重要意义。进一步而言，图像分割是提取影像图像中特殊组织定量信息的不可缺少的手段，同时也是可视化分析和展示的预处理步骤和前提。常见的医学图像包括电子计算机断层扫描(CT)、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、磁共振成像技术(MRI)、超声成像(Ultrasound)、显微镜成像(Microscope)及其它医学影像设备所获得的图像。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析、病变组织的定位、解剖结构的学习、辅助诊断、治疗规划等。

目前基于深度学习的医学图像分割算法有了很大的进步，例如：“ISBI EMSegmentation”竞赛中的第一名CE-NET和U-NET++，“2015MICCAI Polyp Detection”竞赛的第一名DoubleUNet，“iSEG 2017Challenge”竞赛和“2018Data Science Bowl”数据集的第一名HyperDenseNet，“Kvasir-SEG”数据集的第一名PraNet等等。在众多算法中，基于编解码网络的分割算法在图像分割精度上有更好的表现。编解码网络的基本结构由编码器encoder与解码器decoder组成。编码器的任务是在给定输入图像后，通过神经网络学习得到输入图像的特征图谱；而解码器则在编码器提供特征图后，逐步实现每个像素的类别标注，也就是分割。U-Net是经典的单路编解码网络算法，U-Net在encoder与decoder之间引入skip连接结构，极大提升了编解码网络算法性能，它的提出对医学图像分割有重大的意义，同时对其他领域的图像分割研究也产生了深远的影响。目前在各个数据集上有很好分割精度的众多编解码网络算法，有相当一部分都保留了U-Net的skip网络结构，并经过改进。

基于编解码网络的分割算法虽然取得了很大的发展，但是图像分割结果中细节的丢失问题仍然突出，而图像细节的保留在临床医学中尤为关键。通常来说，在图像分割目标的区域中，细节区域占整体的极少部分，这将形成样本不平衡问题，使网络对细节区域的分割难以训练；同时编解码网络算法大多使用经典的单路“encoder-decoder”结构，所谓单路是指编码器中的小尺度深层语义由且仅由大尺度渐层语义下采样得到，而解码器中分割结果或大尺度渐层语义依赖于小尺度深层语义。使用单路深层encoder将使得深层语义严重依赖浅层语义，encoder深层对细节特征的保留能力不足，使得深层语义对整体分割效果有决定性作用，这也导致了单路深层编解码网络算法对图像整体分割结果量化指标较好但实际上分割细节丢失严重的问题。针对这一难题，学者们提出了很多改进的网络结构，例如UNet++的“Redesigning Skip Connections”结构、Attention U-Net中的注意力机制、HyperDense-Net的“hyper-densely connected”结构等，也提出了改进的损失函数BCE+Dice loss损失函数、AnatomyNet的“Dice+Focal loss”损失函数等等，但是这些算法主要还是基于单路深层编解码网络结构的改进和损失函数的改进，没有对单路深层网络特征之间的深度耦合问题进行更深入的分析和处理。

综合上述分析，研究能有效处理深度学习算法在医学图像分割中的细节丢失问题显得尤为重要。

发明内容