[发明专利]一种基于变形的非局部网络医学图像分割方法及系统

说明书

本发明公开了一种基于变形的非局部网络医学图像分割方法及系统,通过多次卷积和批标准化对原始医学图像进行了提取操作。然后在特征解码阶段，经过残差压缩与解压金字塔池化、变形的非局部网络和多尺度特征融合机制来恢复原始图片大小。并在最后经过softmax对特征进行分割操作，最终得到精确的分割效果。本发明对原始的非局部网络结构进行了修改，从而显著降低了模型复杂度。通过金字塔池化和压缩与解压网络来提高网络的鲁棒性和提高网络的感受野本发明提出了一种多尺度特征融合的方法，是一种包含了使用了通道注意力将浅层特征和高层特征进行融合的方法。本发明整个流程具有通用性，并不针对特定的数据集，可以对不同的数据集都有效果，具有通用性。

技术领域

本发明涉及一种基于变形的非局部网络医学图像分割方法及系统，属于医学图像处理领域。

背景技术

随着科学技术的发展，现在医院里都使用了大量的医疗器具，从而产生了大量的医学图像数据。这些数据对于病人的病情的诊断具有重要的作用，但是由于医生时间和精力的有效很难对这些大量的数据进行全部的处理，同样仅靠医生的临床经验和视觉来对医学图像进行分析与判断是不够的。因此利用计算机的高效性与精确性来对医学图像进行分析已经成了必然趋势。

在医学图像的分析医学图像的分割是最重要的一部分，因为只有把病变区域分割出来以后，才可以作为辅助医生进行病情的诊断，现阶段医学图像的分割的方法是主要分为机器学习的方法和深度学习的方法，机器学习的方法往往通过预处理的方法对图像进行增强，使得目标分割区域和非分割区域产生差别或者是设计出特定的算法对原始图像进行处理。而深度学习的方法往往是设计一种神经网络结构来进行医学图像的分割。

目前医学图像分割技术的研究主要有以下几种:

论文1(Hassouna M S,Farag AA,Hushek S,et al.Cerebrovascularsegmentation from TOF using stochastic models[J].Medical image analysis,2006,vol.10.no.1pp.2-18.)提出了一种自统计的方法用来分割3D核磁共振血管的数据。像素强度直方图由两大类描述：血管和背景。背景类近似为两个高斯分布和一个瑞利分布，而血管类近似为一个高斯分布，期望最大(EM)算法用于自动估计高斯分布和瑞利分布参数。通过马尔可夫随机场(MRF)建模包括空间约束，对数据集进行首要连接。因此，当图像中存在高噪声水平时，MRF特别有用。以上两种方法使用传统的机器学习的方法，现阶段深度学习都应用到医学图像分割中了，其中两个主要的方法是使用卷积神经网络(CNN)来进行分割,论文2(Ronneberger,O.,Fischer,P.,Brox,T.(2015,October).U-net:Convolutionalnetworks for biomedical image segmentation.In International Conference onMedical image computing and computer-assisted intervention(pp.234-241).Springer,Cham.)提出了一种新型的网络结构(U-Net),这种结构主要的特点是使用相等的连接方式连接了上采样层和下采样层。这样可以使得U-Net结构可以更好的学习网络的特征，从而提高分割的准确度。

从这些论文可以看出，现在对医学图像的分割通常的分割精度还是不高，这是因为采用机器学习的方法，解决办法主要是通过对目标图像进行预处理或者设计出特定的模板来分割出目标区域和非目标区域，使得方法的特定性比较强。使用深度学习的方法，由于医学图像数据量的问题，使得训练模型困难增强。同时模型网络设计的简单，使得网络的鲁棒性比较差。

论文1提出的方法太过于针对性了，分割的图片必须要满足特定的分布。当要分割其他数据时就很难适用了。论文2虽然提出的方法基于深度学习，但是这只是一个简单的神经网络，在进行上采样和下采样连接的时候，只进行了简单的组合的方式，并不能充分利用浅层特征的特性。使得医学图像分割的精度还不是很好。

发明内容