[发明专利]基于病变边界信息响应的上下文感知医学图像分割方法

说明书

本发明公开了一种基于病变边界信息响应的上下文感知医学图像分割方法。该方法包括：对原始图像数据进行预处理；将预处理的图像数据输入到经训练的卷积神经网络进行特征提取以进行图像分割，其中卷积神经网络的编码网络包含多个编码阶段和空间金字塔卷积模块，并且每个编码阶段依次连接金字塔边缘特征提取模块、多任务学习模块和交叉特征融合模块，以挖掘同一水平的特征并聚合不同水平的特征，卷积神经网络的解码网络依次通过聚合空间金字塔卷积模块的输出特征和每个编码阶段的编码特征得到解码特征。本发明能够有效利用边界信息，充分挖掘了同一层次的上下文特征，并实现了不同层次特征之间的信息互补，从而显著改善了医学图像的分割效果。

技术领域

本发明涉及生物医学工程技术领域，更具体地，涉及一种基于病变边界信息响应的上下文感知医学图像分割方法。

背景技术

病灶部位的精准分割在医疗图像分析中具有重要的作用，旨在对每个像素进行分类，并得到精细化的病变区域识别。近年来，随着医疗图像技术和设备的发展和普及，超声、MRI、CT及其他设备对于疾病的诊断提供了有效的手段。这些技术已经广泛应用到日常的医疗研究和诊断治疗中。对于不同种类的医疗设备，图像中的组织/病灶分割是一种重要的图像分析手段，例如肺部图像分割。精确的区域检测识别对于医学诊断提供了重要且可靠的参考价值。

医疗图像的特点是具有很高的类内差异性，并且类间的区分度不明显，同时一些噪声也会干扰图像质量。因此如何提取有效的上下文信息以及如何聚合不同水平的判别特征对于图像的精细分割仍是一个很大的挑战。

目前，随着医学图像数量的增加以及人工智能(AI)技术的发展，计算机辅助诊断成为一种重要的图像处理手段，然而自动的病变(器官或是组织)识别仍是一个复杂且极富挑战性的工作。首先，病变区域具有不同的尺寸和形状。对于某些疾病，不同的个体差异增加了识别的难度。对于分割任务而言，病变组织和背景之间的低区分性也带来了很大的挑战，尤其是，需要关注的区域同时包含着复杂的组织和器官，这对于区分边界像素带来了极大的困难。此外，某些设备和图像的噪声对于精确的分割也具有一定的阻碍。

传统的图像分割方法主要包括基于灰度、基于纹理和基于图集的方法，其主要是通过提取不同种类的像素和区域特征，提高自动分割的性能，但仍存在一些共同的缺陷：1)传统方法往往依靠设计低级的人工特征，并进行启发式假设，复杂场景的预测性能通常会受到极大的限制，此外，这些方法忽略了原始图像中大量的其他可用信息；2)对伪影、图像质量和亮度不均匀性的鲁棒性较差，这些方法很大程度上依赖于有效的预处理。例如，应用具有局部亮度直方图的标准化切割，从脊椎矢状位T1加权磁共振图像中分割出椎体。又如，基于偏微分方程的皮肤病变边界检测框架采用测地线活动轮廓或测地线边缘跟踪模型分割目标区域。再如，设计基于拓扑信息和解剖学统计图谱的分割框架，约束预测和图谱之间的拓扑等价性。但是这些分割方法极大的受制于阈值的选择和区域的划分等因素。此外，人为定义的分割特征很大程度上依赖于研究人员的经验。

近年来，深度卷积神经网络(CNN)已经成功地应用于计算机视觉中的各种问题，使用编解码器框架进行图像分割任务显示出不俗的表现。在编码网络中，图像特征由低级到高级使用连续的多个卷积层进行编码。在解码部分，通过多个上采样(上池化或反卷积)层得到预测结果。例如，现有的名为DeepLab的分割框架，定制了一个空间金字塔卷积模块，通过并行扩张卷积对多尺度上下文信息进行编码。又如，采用多尺度的金字塔池化模块来捕获编码器网络中的多尺度上下文信息，或者通过密集的反卷积层、级联的残差池化和辅助监督来获取图像的细粒度多尺度特征，用于分割任务。再如，定制协作网络架构，通过具有注意力机制的半监督学习，共同提高疾病分类和病变分割的性能。