[发明专利]一种基于单程多任务卷积神经网络的医学图像分割方法

摘要

本发明公开了一种基于单程多任务卷积神经网络的医学图像分割方法，先利用网络把分割任务拆成三个不同但关联的子任务；子任务一对图像进行粗分割，确定完整组织大致区域；子任务二对该区进行膨胀和精细分割，得到区内体素的精确组织类别和完整组织精确位置；子任务三用精分割来扫描完整组织内的体素，决策出增强组织位置；然后三个子任务用课程学习策略由易到难分阶段训练，实现子任务间的数据和参数共享；最后通过后处理法改善分类错误问题并输出最终分割结果。本发明将关联子任务合成单一网络同时训练，改进了级联模型逐一训练子任务的缺点并更好解决了类别不平衡问题，单程运算实现了对图像由粗到精的分割，系统复杂性降低之余提高了分割效果。

主权项

1.一种基于单程多任务卷积神经网络的医学图像分割方法，其特征在于，所述方法包括以下步骤：S1、获取已预处理过的医学图像，首先将组织分割任务分解成三个不同但关联的子任务：子任务一、子任务二和子任务三，再将所述三个子任务集成于一个深度模型，即单程多任务卷积神经网络里，并向所述深度模型输入所述图像；其中所述子任务一对所述图像进行粗分割，来确定所述图像中完整组织的大致区域，所述完整组织的大致区域将作为所述子任务二的感兴趣区域；所述子任务二将从所述子任务一中得到的所述感兴趣区域进行膨胀处理，得到膨胀区域，然后对所述膨胀区域进行精细分割，得到所述膨胀区域中所有体素的精确组织类别，同时获得所述完整组织的精确位置；所述子任务三通过精分割来扫描所述完整组织的精确位置内的体素，并对增强组织的位置做出决策；S2、使用基于课程学习的策略对所述深度模型进行由易到难的分阶段训练，直到所述深度模型内的所述三个子任务的损失函数均达到收敛；S3、使用后处理方法改善所述深度模型的分类错误问题，并输出最终的分割结果。