[发明专利]一种基于卷积神经网络的医学图像分割方法及装置

说明书

本申请公开一种基于卷积神经网络的医学图像分割数据增强方法及装置，该方法包括：对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；将原始图像和边缘增强的原始图像合并生成多通道图像数据；将获得的多通道图像数据作为输入数据输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得卷积神经网络模型参数，以实现对待测图像按照所述标注数据的类型进行分割。用于解决相关技术中由于训练样本数量不足导致的网络泛化性能降低，从而导致网络模型测试误差较大甚至失真的问题。

技术领域

本发明涉及医学图像分割技术领域，具体是一种基于卷积神经网络的医学图像分割方法及装置。

背景技术

卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析图像数据。卷积神经网络主使用由卷积层和池化层进行特征提取和图像大小的压缩。下面以U－net网络为例对卷积神经网络在医学图像分割过程中的应用进行说明：

是一种卷积神经网络；是在全卷积神经网络（FCN）的基础上发展出来的；能够有效分割目标图像要素的网络。U－net网络在拟合的过程中，需要计算出每一个神经元的权重（weight）和偏置（bias）两个参数。

为了拟合这些参数，需要大量的样本进行网络的训练。其中每一组样本均包含了输入的原始图像和网络要拟合的标注数据。神经网络的模型具有两种模式：训练模式(Train)和评估模式(Eval)。在训练模式中，将数据一组一组的放入网络模型进行训练，模型中的参数随着训练能越来越好的反映出输入到输出的变化过程。在样本量足够的情况下，网络模型的评价函数(Loss)逐渐收敛时，通常代表网络获得了稳定的训练结果。这时模型的训练就完成了。在评估模式中，模型的参数不再变动。输入未经标注的图像数据，经过训练完成的模型的计算可以得到拟合的结果。

卷积神经网络的训练依赖于大量的图像数据和标注数据，而在数据量不足的情况下，网络的泛化性能会受到影响。

发明内容

本申请提供一种基于卷积神经网络的医学图像分割方法及装置，用于克服现有技术中在训练样本数据量不足的情况下，导致网络的泛化性能会受到影响；实现在样本量较少的情况下提升模型的准确率并缓解过拟合的产生。

为实现上述目的，第一方面，本申请提供一种基于卷积神经网络的医学图像分割数据增强方法，包括：

对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；

将原始图像和边缘增强的原始图像合并生成多通道图像数据；

将获得的多通道图像数据作为训练样本输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得训练的卷积神经网络；

通过训练的卷积神经网络对待测图像进行测试以实现对待测图像按照所述标注数据的类型进行分割。

通过采用上述的技术方案，在能作为训练样本的数据量较少、训练样本中能被网络模型提取的有效特征信息不足的情况下，通过在训练样本中增加一部分人工特征及边缘信息可以增加每一个数据样本的特征信息，进而提升网络的泛化性能，实现降低网络拟合需要的样本量的技术效果。

优选的，上述方法还包括：

将待测图像进行边缘增强处理，获得边缘增强的待测图像；

将待测图像和边缘增强的待测图像合并生成多通道图像数据；

将获得的多通道图像数据输入训练获得的卷积神经网络中进行拟合，获得分割图像。