[发明专利]一种基于多层级神经网络的医学图像分割系统及方法

说明书

本发明提供了一种基于多层级神经网络的医学图像分割系统及方法，属于医学图像处理技术领域，本发明将待分割的原始医学图像输入图像初始化模型进行初始特征的提取，然后将初始特征输入到多层级深度特征提取模型中，提取出图像的多层级深层特征，然后将深层特征输入到多层级分割模型中，同时将多层级深度特征提取模块中的深层特征，通过金字塔池化长连接模型，输入到多层级分割模型中，由多层级分割模型根据图像中逐个像素的分类情况，输出高精度分割后的医学图像，本发明提供的分割方法提升了医学图像深度特征提取效率，并能够提高医学影像分割的精度。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于多层级神经网络的医学图像分割系统及方法。

背景技术

在医学图像处理领域，特别是在脑肿瘤的诊断诊断治疗周期中，一个精确可靠的脑肿瘤图像分割步骤起着关键性的作用。在实际的临床诊疗过程中，通常是由丰富的临床诊疗医生根据自己的专业领域知识，手工勾画出感兴趣的医学图像区间，即临床上广泛采用人工处理的方法对脑肿瘤图像进行病灶区域的分割。然而，由于手工进行脑肿瘤图像的分割是一项非常繁琐复杂的工作，因此研究者们在研发半自动或自动的脑肿瘤图像分割方法上付出了许多努力。

早期的图像处理技术主要是建立于数字信号处理学科的基础上，把图像当作信号特征进行时域和频域上的分析以及滤波处理等，然而这些操作并不能高效地提取图像中的隐藏的深层级别的特征，早期的图像处理技术只能在相对简单的图像处理任务上取得成效。神经网络方法的出现和快速发展使得改善这些问题的状况有所好转，神经网络能够高效的提取出图像的深层级的特征。目前，卷积神经网络已被应用于众多计算机视觉处理任务中，正逐步取代原始的图像处理技术，卷积神经网络降低了神经网络模型的复杂性，降低了计算所需要的资源开销，同时卷积神经网络还可以通过自学习的方式，避免了传统图像处理算法和数据重构过程中复杂设计的特征提取过程，基于这些优势，神经网络方法在医学图像处理任务中被广泛采用。

然而，传统的神经网络是一个单层级网络，将图像从浅层特征到深层特征的过程，提取出的特征丰富度有限，同样的，在网络上采样的过程中，也是只有一个单层级的网络结构，处理结果精度不高，另外，在特征由提取阶段到上采样之间的连接方式也较为局限，多数采用的是同尺寸特征直连的方式，忽略了一些全局特征对局部特征的影响。换句话说，大多数方法忽略了在神经网络宽度的扩展以及拓展方式，没有对浅层特征进一步利用，使得获取的深层特征丰富度不足，从而分割的脑肿瘤图像效果较差，无法准确高效的分割出病灶区域。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于多层级神经网络的医学图像分割系统及方法，解决了传统医学图像分割方法所分割图像精度不足的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于多层级神经网络的医学图像分割系统，包括图像初始化模块、多层级深度特征提取模块、金字塔池化长连接模块以及多层级分割模块；

所述图像初始化模块，用于将采集的原始医学图像输入至图像初始化模型，并利用图像初始化模型提取原始医学图像的初始化特征；

所述多层级深度特征提取模块，用于利用原始医学图像的初始化特征训练多层级深度特征提取模型，并利用训练后的多层级深度特征提取模型分别提取医学图像的多层级深度特征以及浅层特征；

所述金字塔池化长连接模块，用于根据所述医学图像的浅层特征，利用金字塔池化长连接模型弥补多层级深度特征提取模型中丢失的卷积信息，得到全局聚合特征；

所述多层级分割模块，用于利用医学图像的多层级深度特征以及全局聚合特征训练多层级分割模型，并利用训练后的多层级分割模型得到原始医学图像的分割结果，完成基于多层级神经网络的医学图像分割。