[发明专利]一种基于边界引导的息肉图像分割方法

说明书

本发明公开了一种基于边界引导的息肉图像分割方法，包括：构建息肉图像分割模型；将待分割的息肉图像输入息肉图像分割模型中，得到各个侧输出的区域预测图P_R4‑P_R1和边界预测图P_B4‑P_B1，并将其上采样至与待分割的息肉图像相同的分辨率，得到区域预测图和边界预测图利用交叉熵损失函数计算区域预测图边界预测图与真实标注图之间的误差，并将误差进行反向传递以更新息肉图像分割模型参数，以训练息肉图像分割模型；将待分割的息肉图像输入至训练好的息肉图像分割模型中，将残差细化译码器A输出的区域预测图通过一个Sigmoid层归一化至(0,1)，再恢复原图像分辨率后输出为最终的分割结果；本发明大大提高了息肉图像分割的准确性；实现了更精准的区域预测。

技术领域

本发明涉及的息肉图像分割技术领域，具体涉及一种基于边界引导的息肉图像分割方法。

背景技术

近年来，结肠癌的发病率迅速上升，危害人体健康，而结肠镜检查是检测结肠癌的最主要方式，早发现早治疗是提高患者康复的有效途径。从结肠镜检查的结果图像中准确的分割结直肠息肉，有助于结肠癌的临床治疗。而传统的手工分割的方法不仅程序繁琐、效率低下，对医护人员的技术要求也较高，所以，图像的自动分割是医学图像应用的发展趋势。但是，息肉图像的自动分割对精准度要求高，由于息肉组织结构复杂，形状多变，边界模糊，且与背景高度相似，为息肉图像的分割带来了极大的挑战。传统的息肉分割方法大都基于纹理或迭代聚类超级像素等低级特征，在一定程度上促进了息肉图像分割准确性的提高，但仍然存在以下两个问题：一是息肉的边界分割仍然不够精准，在边界定位上没有考虑到息肉与背景对比度低，且边界模糊曲折等因素；二是对息肉组织的多尺度特征适应性不高，息肉组织大小不一、形状多变，应提高模型的多尺度特征提取能力，所以目前的息肉图像分割方法仍存在一定的局限。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案，包括：构建息肉图像分割模型；将待分割的息肉图像输入息肉图像分割模型中，得到各个侧输出的区域预测图P_R4-P_R1和边界预测图P_B4-P_B1，并将其上采样至与待分割的息肉图像相同的分辨率，得到区域预测图和边界预测图利用交叉熵损失函数计算区域预测图边界预测图与真实标注图之间的误差，并将误差进行反向传递以更新息肉图像分割模型参数，以训练息肉图像分割模型；将待分割的息肉图像输入至训练好的息肉图像分割模型中，将残差细化译码器A输出的区域预测图通过一个Sigmoid层归一化至(0，1)，再恢复原图像分辨率后输出为最终的分割结果。

作为本发明所提出的基于边界引导的息肉图像分割方法的一种优选方案，其中：所提出的构建息肉图像分割模型包括：以Res2Net-50为骨干网络，将骨干网络是layerB～layerE作为侧输出特征F_t(t＝1,2,3,4),分别送入残差细化译码器A～C和初始定位译码器，其中，t表示骨干网络的侧输出级数，t＝1～4对应骨干网络layerB～E的侧输出级；通过初始定位译码器检测息肉组织的初始粗位置，且该初始定位译码器的输出结果图的分辨率为原图像的1/32；通过残差细化译码器A～C修复息肉组织的初始粗位置中丢失的目标部分，并细化边界细节。