[发明专利]基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法

说明书

本发明公开了一种基于改进UNET神经网络的医学图像分割装置，该医学图像分割装置基于改进UNET的USNET网络，包括多个卷积子网和一个输出卷积层；多个所述卷积子网具有尺寸不小于3×3的卷积核，其尺寸从输入到输出逐步增大；每个所述卷积子网的最后均有1个池化层，所述池化层的最大池化操作步长设置为1，不使用降采样和升采样；本发明还公开了应用前述USNET网络进行超声图像分割的子宫体超声图像分析方法。与通常的UNET深度神经网络不同，各个卷积子网结构相同，只是卷积核大小和池化层操作尺寸不同，可以在不降低空间分辨的前提下，通过自适应调整卷积子网个数，卷积核大小，卷积层层数，实现了超声图像的分割，从而提高了超声图像中浆膜和内膜的分割精度。

技术领域

本发明涉及一种医学图像的分析方法，特别是指一种基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法。

背景技术

子宫内膜疾病是女性常见的生殖系统疾病，包括子宫内膜息肉、粘膜下肌瘤、内膜典型或非典型增生、子宫内膜癌。子宫内膜良性病变发病率高，所引起非经期点滴出血、经期延长、经量增多等症状严重影响女性的正常生活。I期子宫内膜癌的五年生存率可高达90％，而晚期转移性患者五年生存率则低于20％。因此，对于内膜疾病的早期诊断和治疗是降低子宫内膜恶性肿瘤危害的最有效方法。

超声子宫体图像分析是筛查和诊断子宫内膜疾病的最重要工具，但是子宫体超声图像的准确分析依赖超声检查医师的经验，不同超声检查医师或技师的分析结果差别大，严重影响妇科大夫对子宫内膜疾病的准确诊断和治疗。

深度学习算法是一种人工智能领域的机器学习方法，它含有多隐层的多层感知器，是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，深度学习方法目前已经在图像识别，信号识别等应用领域里被证明了它的有效性，能够大幅度提高了传统方法的识别精度。

相比CT,MRI等图像，子宫内膜超声图像分辨率和对比度较低，现有深度学习网络如HRNet难以有效地针对各类子宫内膜疾病患者的子宫体超声图像进行分析并得出较好结果。

发明内容

本发明的目的在于提供一种可有效处理低分辨率、低对比度医学图像的基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法。

为实现上述目的，本发明所提供的基于改进UNET神经网络的医学图像分割装置，该装置以硬件或软件形式实现基于改进UNET的USNET网络(USNET系本发明自定义名称)，所述USNET网络包括多个卷积子网和一个输出卷积层；多个所述卷积子网具有尺寸不小于3×3的卷积核，其尺寸从输入到输出逐步增大；每个所述卷积子网的最后均有1个池化层，所述池化层的最大池化操作步长设置为1，不使用降采样和升采样。

优选地，所述卷积子网的数量为3个，首尾依次相连；每个卷积子网均包括6个卷积层和1个池化层，3个所述卷积子网的卷积层的卷积核尺寸依次为3×3、5×5和7×7；所述输出卷积层包括1个卷积层，其卷积核尺寸为1×1。

优选地，每个卷积子网的卷积层分为3组，每组包括1～4个卷积层。

优选地，该USNET网络还使用残差构造，连接不同尺度，通过提取不同层次的特征图来获得混合语义信息用于图像分割，加速训练过程。

优选地，各所述池化层的最大池化操作尺寸＝(对应卷积子网的卷积核大小+1)。

本发明同时提供了一种应用前述任一种医学图像分割装置的子宫体超声图像分析方法，包括超声图像分割过程，用于对子宫浆膜和子宫内膜的分割，该过程包括如下步骤：

1.1)将包含子宫浆膜和子宫内膜的待分割超声图像转换为灰度格式；

1.2)将所得灰度超声图像输入训练好的分割神经网络中，对子宫浆膜和子宫内膜进行分割，具体采用如下任一方法：