[发明专利]一种基于卷积神经网络的胎儿小脑超声图像分割方法

说明书

本发明提出一种基于卷积神经网络的胎儿小脑超声图像分割方法，包括如下步骤：处理数据集，将数据集按照8:2的比例随机划分为训练集和测试集，并进行图像增强；搭建FCRB‑U‑Net网络模型，采用全连接残差模块替代双卷积操作，并在有效注意力模块的监督下提取图像特征，在解码器端添加特征重用模块，实现深层特征的传播与复用；在训练集上，对FCRB‑U‑Net进行训练，执行分割任务并生成分割模型；在测试集上测试模型，根据测试的结果，选择出性能最优的模型为最终模型，并保存下来。本发明能够提取到更加全面、有效的特征，引入少量的参数即可较高的提升模型性能，快速准确的分割出胎儿小脑，可以辅助医生诊断。

技术领域

本发明涉及医学图像分析和人工智能技术领域，具体的说是一种基于卷积神经网络的胎儿小脑的超声图像分割方法。

背景技术

中枢神经系统畸形在全球每年出生人口中都占据了不容小觑的比例，严重影响了人类下一代的健康安全和素质水平。提高胎儿中枢神经系统先天畸形的检出率及其早期诊断对于优生优育、提高人口素质有重要意义，其中胎儿小脑发育情况的检测是产前检查必不可少的一部分，小脑发育不良(小脑体积减小)，是一种常见但不具有特异度的神经影像学表现，被广泛的用于医师评估胎儿发育状况，为诊断先天性畸形提供依据。因此，对胎儿小脑的精确定位和分割在临床诊断中具有十分重要的意义。

传统的图像分割方法主要有区域生长法、阈值法、图割法等。常见的阈值法有Otsu阈值化算法、自适应阈值法等。Moltz等人通过阈值法对CT图像中的肝脏肿瘤部分进行分割，该方法实现简单，但是分割出的效果有待提升。随着新样本的增多，之前的传统方法可能会失效，需要借助深度学习的图像处理技术来处理、分析大量的图像样本。近年来出现了FCN、ternausnet、SegNet和U-Net等经典的神经网络模型被广泛用于图像分割，其中U-Net由于其在医学图像处理分析时表现出的良好性能，而成为医学图像分割中最具代表性的监督分割方法之一。U-Net运用了大量的卷积操作来提取特征，但是，在卷积的过程中，随着网络层数加深，伴随着语义信息丢失的问题，使得网络并不能够提取全面的图像特征，大大影响了得到的预测图像的精度。

发明内容

本发明的目的是为了解决卷积过程中语义信息的丢失的问题，提出一种基于卷积神经网络的胎儿小脑超声图像分割方法，即FCRB-U-Net，充分利用卷积前后以及过程中的语义信息，提取更加全面、有效的图像特征，提高网络分割的精度与效率。

为达到上述目的，本发明采用如下技术方案予以实现。

一种基于卷积神经网络的胎儿小脑超声图像分割方法，包括以下步骤：

步骤一：收集样本，标注标签，按照8:2的比例将数据集随机分为训练集和测试集。为了解决医学图像数据集过小的问题，通过随机裁剪、水平翻转、旋转等方式来进行数据增强；

步骤二：搭建FCRB-U-Net网络模型，采用全连接残差块FCRB替代双卷积，并在有效注意力模块ECA的监督下提取图像特征，在解码器端添加特征重用模块FRM，实现深层特征在浅层特征中的传播；

步骤三：在训练集上，对FCRB-U-Net进行训练，执行分割任务并生成分割模型；

步骤四：在测试集上测试模型，根据测试的结果，选择出性能最优模型为最终模型，将其用于图像的分割。

进一步的，步骤一中所述的数据增强的具体内容和方法为：

(1)为了避免图像尺寸变换而导致信息丢失，采用随机裁剪，直接裁剪出固定大小的影像输入网络；

(2)影像中的目标结构可能处于任意位置，因此取概率p为0.5随机抽取训练数据进行上下、左右翻转；

(3)采用高斯模糊的方式对样本进行增强，缓解伪影和信号振幅等因素对准确分割目标结构的干扰。

进一步的，步骤二中所述的FCRB-U-Net结构为：