[发明专利]一种基于图神经网络和U-Net深度学习框架医学图像分割方法

说明书

本发明公开了一种基于图神经网络和U‑Net深度学习框架医学图像分割方法，涉及智慧医疗技术领域。提供了端到端的医学影像分割的全自动解决方案，能够处理现有影像系统所生成的不同格式和不同分辨率的图像。系统首先对输入图像进行均一化，提取图块或者尺寸缩放，处理为网络输入尺寸。对正则化图像利用预训练的VGU‑Net模型进行目标病灶区域的分割。本发明相对于现有方法，能够实现全自动分割，并且分割精度上相较现有模型有较大提高。

技术领域

本发明涉及智慧医疗技术领域，尤其涉及一种基于图神经网络和U-Net深度学习框架医学图像分割方法。

背景技术

医学图像分割将图像分割成不相交的区域，使得每个区域对应于特殊的意义。这种方法有助于检测例如肿瘤，息肉和结石等异常区域或者某些特定器官的分割，以及辅助机器人手术中的定位和精准切割。它的重要性在于可以显着提高影像处理速度，帮助医生更好地识别病变区域，并提高医疗诊断的准确率。

深度学习技术在开发基于图像分割系统方面非常有效，尤其是在领域有限的情况下，通过深度学习，能在数据集不大的情况下获得良好的泛化能力。

U-Net是卷积神经网络的代表之一，它可以说是最常用、最简单的一种分割模型，它简单、高效、易懂、容易构建，且可以从小数据集中训练。2015年，U-Net在论文“U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation”中被提出。U-Net的初衷是为了解决医学图像分割的问题，在解决细胞层面的分割的任务方面，其在2015年的ISBIcelltracking比赛中获得了多个第一。之后，U-Net凭借其突出的分割效果而被广泛应用在语义分割的各个方向。

但是此类卷积神经网络通常受卷积核局部特征提取能力的限制，难以对图像区域中距离较远的特征进行交互，由此可能造成深度学习模型提取到的特征表达能力不足，引起下游的分类或者分割等任务效果较差。

因此，本领域的技术人员致力于开发一种基于图神经网络和U-Net深度学习框架医学图像分割方法。设计了一种全新的深度学习模型VGU-Net，提供了一种端到端的医学影像的全自动分割软件。其对图像进行均一化和压缩尺寸处理，对正则化图像利用VGU-Net轮廓模型分割感兴趣区域。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是卷积神经网络受限于局部特征提取能力，医学图像分类或者分割效果差的问题。

为实现上述目的，本发明提供了一种基于图神经网络和U-Net深度学习框架医学图像分割方法，包括以下步骤：

步骤1、输入图像；

步骤2、图像正则化处理；

步骤3、在目标图像域获取正则化图像的训练集，对VGU-Net模型进行训练调优，获取到在验证集上表现最佳的模型；

步骤4、利用训练完成的VGU-Net模型预测输入图像的分割结果。

进一步地，所述步骤1输入图像包括JPG格式、PNG格式、DCM格式。

进一步地，所述步骤2包括图像均一化和尺寸缩放处理。

进一步地，所述步骤2包括针对DCM格式图像，进行像素值取反操作。

进一步地，所述步骤2包括对图像进行双线性插值缩放。

进一步地，所述步骤3，VGU-Net模型融合了卷积神经网络和图神经网络。

进一步地，所述卷积神经网络采用U-Net网络框架。

进一步地，所述图神经网络采用了图卷积神经网络。

进一步地，所述卷积神经网络提取图像特征。