[发明专利]一种基于特征空间不变的图像语义分割模型构建方法及系统

说明书

本发明公开了一种基于特征空间不变的图像语义分割模型构建方法及系统，涉及深度学习医学图像处理技术领域，以解决现有技术中人工勾画直肠癌淋巴结转移MRI结果存在主观性强和效率差等问题。本发明的技术要点包括：将收集到的MRI数据进行预处理，即先对数据集进行图像增广，然后使用标注工具LabelMe对数据集进行标注，将标注好的数据集进行划分，得到训练集、验证集和测试集，构建分割模型并对其进行训练与调整，得到训练合格的分割模型，最后将待分割的直肠癌淋巴结转移MRI影像输入到最佳模型中进行缺陷检测，得到检测结果。本发明有效提高了直肠癌淋巴结转移勾画效率和精度，进而可以辅助医生提高诊断准确率。

技术领域

本发明涉及深度学习医学图像处理技术领域，具体涉及一种基于特征空间不变的图像语义分割模型构建方法及系统。

背景技术

直肠癌淋巴结转移是导致直肠癌患者术后复发和死亡的主要因素，因此术前需要准确勾画淋巴结，为医生提供更加精确和详细的参考内容，加深对疾病图像理解与分析。目前，在临床中对直肠癌淋巴结勾画方法采用人工勾画。但这种方法耗费大量时间和精力，且结果存在主观性。此外，由于直肠癌淋巴结转移在核磁共振成像(Magenticresonanceimaging,MRI)中，呈小目标(毫米级别)显示，并且盆腔中背景复杂，以人工的方式勾画也存在一定的困难。如果采用基于人工智能技术的自动勾画方法在术前完成病灶勾画，不仅节约时间和人力，同时还能够得到更加客观准确的结果。

由于深度学习在特征提取的过程中能够逐层自动提取数据特征，具有更强客观性和更高表达能力，因此在医学图像勾画领域得到快速发展，并已经成为一个研究热点。空间变换网络能够保持特征在逐层传递过程中的特征空间不变性，减少对先验知识变换规则的依赖，增加其对特征保持空间不变能力。利用特征空间不变性改善人工勾画MRI的不足，提高直肠癌淋巴结勾画准确率，降低术后复发和死亡概率。

发明内容

为此，本发明提出一种基于特征空间不变的图像语义分割模型构建方法及系统，用以解决现有技术中人工勾画直肠癌淋巴结转移MRI结果存在主观性强和效率差等问题。

根据本发明的一方面，提供一种基于特征空间不变的图像语义分割模型构建方法，所述方法应用于医学图像的处理，该方法包括以下步骤：

步骤一、获取直肠部分的核磁共振成像数据，并建立训练数据集和测试数据集；

步骤二、采用数据增强的方法对所述核磁共振成像数据进行扩充；

步骤三、对扩充后的核磁共振成像数据进行标注，标注类型包括直肠癌淋巴结转移和非转移；

步骤四、将标注后的训练数据集输入改进的U-Net语义分割模型中进行训练，获取训练好的分割模型；

步骤五、将标注后的测试数据集输入训练好的分割模型中进行测试，获取测试结果。

进一步地，步骤二中所述数据增强的方法包括水平翻转、垂直翻转。

进一步地，步骤四中所述改进的U-Net语义分割模型的改进之处在于：在U-Net语义分割模型的输入端和下采样部分放置空间变换网络，在下采样与上采样之间放置特征金字塔网络。

进一步地，步骤四中在训练分割模型前，以深度预训练模型方式对U-Net语义分割模型中参数完成初始化，对超参数进行微调。

根据本发明的另一方面，提供一种基于特征空间不变的图像语义分割模型构建系统，所述系统应用于医学图像的处理，该系统包括：

数据获取模块，其配置成获取直肠部分的核磁共振成像数据，并建立训练数据集和测试数据集；

数据扩充模块，其配置成采用数据增强的方法对所述核磁共振成像数据进行扩充；

数据标注模块，其配置成对扩充后的核磁共振成像数据进行标注，标注类型包括直肠癌淋巴结转移和非转移；