[发明专利]一种轻量多尺度的生物医学图像分割方法

说明书

本发明公开了一种轻量多尺度的生物医学图像分割方法，包括如下步骤：1）获取公共的生物医学图像数据集；2）数据预处理；3）构建模型4）特征提取；5）模型训练；6）模型评估。这种分割方法可以多尺度提取生物医学图像中的特征，还减少了计算时间，避免出现特征信息重叠和冗余，同时还可以保证甚至提高模型的分割精度。

技术领域

本发明涉及生物医学图像处理分割的技术，具体是一种轻量多尺度的生物医学图像分割方法。

背景技术

生物医学图像分割通常是生物医学图像处理的第一个关键步骤。只有基于精确的分割，随后才可以进行多种生物学或医学处理操作，包括细胞计数，定量测量解剖结构，细胞表型分析，亚细胞定位等,为医生和研究人员提供有价值的诊断信息。尽管常规的图像处理技术仍然用于此耗时且费力的任务，但由于各种原因(例如处理各种图像的能力有限，缺乏计算源等)，它们通常无法获得优化的性上。

随着基于深度学习的技术飞速发展，许多研究人员开始研究将深度学习技术应用到生物医学图像分割中。目前为了追求生物医学图像的分割精度，很多的研究人员开始不断的增加网络模型的层数和卷积的尺寸，使网络模型的体量变得越来越大，导致其很难甚至无法应用于真实的临床环境。针对上述的问题，研究人员开始考虑将深度学习模型进行优化，降低参数量和计算复杂度，减少其体量，该过程成为轻量化。目前的轻量化方法都是针对网络模型中的特征提取阶段进行优化，通过减少特征提取的卷积操作来达到参数量和计算复杂度减少的目标。减少卷积操作势必会导致网络模型对生物医学图像的特征提取不充分，从而使网络模型的分割精度下降。为了保证网络模型的分割精度不下降甚至还会有提升，提出了多尺度的方法，减少特征提取阶段的卷积操作的同时，使用类似并行处理的方式，多个尺度提取特征信息，保证网络模型在轻量化的同时可以不丢失甚至提高分割精度。

在轻量化方法中，Ha et al.提出利用小网络为大网络生成权值。对于CNNs，这些权重对于数据集中的每个示例都是相同的，这样可以实现更大的权值分配，虽然可以获得更低的参数，但性能却比原来的网络差。在多尺度方法中，一个非常强大的网络架构是PSPNet，它使用位于主干之上的金字塔池化模块(PPM)来解析场景以提取不同层次的细节。

目前针对生物医学图像分割的深度学习方法，不再考虑加深网络模型结构或增加网络层数来提升网络性能，而是希望可以以最少的参数量和最低的计算资源成本来获取高性能表现的网络模型。

发明内容

本发明的目的是针对现有技术的不足，而提供一种轻量多尺度的生物医学图像分割方法。这种方法可以提取多尺度的生物医学图像特征，还减少了计算时间，同时还可以保持高的分割精度。

实现本发明目的的技术方案是：

一种轻量多尺度的生物医学图像分割方法，包括如下步骤：

1)获取公共的生物医学图像数据集，包括肺部CT、肝脏CT和细胞的电镜图三个数据集，其中每个数据集划分为训练集和测试集，每个数据集中80％的图像作为训练集，20％的图像作为测试集；

2)数据预处理：将生物医学图像训练集采用数据增广方法，即翻转和旋转来增加数据集的样本数量；

3)构建模型：在现有U-Net模型中，将效率不高的传统卷积替换成金字塔卷积，利用金字塔卷积在编码部分进行特征提取，替换金字塔卷积之后新的模型称为PyConvUNet模型；

4)特征提取：采用金字塔卷积对生物医学图像训练集中的图像进行特征提取，通过金字塔卷积获取到训练集图像中不同尺度的特征信息，接着对提取出来的特征信息进行融合并得到特征图；

5)模型训练：利用PyTorch深度学习框架训练PyConvUNet模型，采用交叉熵损失函数进行模型的参数调整，不断提高模型的分割精度；