一种基于机器学习的三维超声图像分割方法技术

本发明专利技术公开了一种基于机器学习的三维超声图像分割方法，包括以下步骤：在标注好的多组二维图像中对不同区域分别采样，取以某个像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；构建卷积神经网络作为分类器，以图像片段作为输入、像素点类别作为标签训练卷积神经网络；使用训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；调整卷积神经网络的参数，多次重复训练和评估和过程，最终取最优的结果作为分类器的参数；使用训练好的分类器处理整幅图片，将图像中每个像素点分为不同类别，以此实现图像的分割。

【技术实现步骤摘要】
一种基于机器学习的三维超声图像分割方法
本专利技术属于超声图像处理领域，特别是一种针对三维超声图像分割的优化方法。
技术介绍
超声图像分割是超声图像处理中的一个重要领域，即在超声图像中分割出感兴趣的区域。在传统的超声图像处理中，大多是基于一些传统的图像处理技术，超声图像中信息复杂，灰度分布不均匀，噪声较大，而且器官组织易发生形变，这些因素加大了特征选取和图像分割的难度，几乎不可能地使用一个通用的方法对所有超声图像实现分割。深度学习具有多个隐层以及自主学习的能力，广泛地应用在图像处理领域。卷积神经网络作为深度学习最成功的一个模型，在超声图像分割领域同样可以取得优秀的效果。
技术实现思路
专利技术目的：本专利技术所要解决的技术问题主要是针对现有的超声图像分割主要使用传统的图像处理技术实现，需要人工干预，效率较低而且通用性较差的问题，提供了一种基于机器学习的方法，提高了分割效率，并保证了方法的通用性。为了解决上述技术问题，本专利技术公开了一种借助机器学习中的卷积神经网络进行三维超声图像分割的方法，包括如下步骤：步骤一，将标注好M种类别的二维超声图像作为机器学习的初始样本，在多组二维图像中分别对不同类别的区域进行采样，选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；步骤二，构建卷积神经网络作为分类器，以训练集中每组样本的图像片段作为输入，像素点实际代表的类别作为标签，训练卷积神经网络；步骤三，使用步骤二中训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；步骤四，调整卷积神经网络的参数，多次重复步骤二到三，最终选取生成最优的结果一组参数作为分类器的参数；步骤五，将待处理的三维超声图像，切分为相互平行等间距的N组二维切面图像；步骤六，使用训练好的分类器，处理步骤五中切分好的N组图像，将图像中每个像素点分割为不同类别，以此实现对三维超声图像的分割；本专利技术中，优选地，步骤一中采样选取以特征像素点为中心的图像片段，超出原图像范围的坐标点以像素值0代替。本专利技术中，优选地，步骤二中的特征像素点的实际类别可用数字表示，设需要分割的组织或区域有M种类别，则可以分别用0到M-1的数字分别表示，然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量。本专利技术中，优选地，步骤一建立的样本数据分为训练集和测试集，选取80％的样本作为训练集，20％作为测试集。本专利技术中，优选地，步骤二中的卷积神经网络包括输入层、三层卷积和池化层、全连接层和输出层。本专利技术中，优选地，步骤二的卷积神经网络模型在权重的初始化时加入少量的噪声来打破对称性以及避免0梯度的问题，使用正态分布的数据进行初始化；偏置项使用一个较小的正数进行初始化，以避免神经元节点输出恒为0的问题。本专利技术中，优选地，步骤二中的卷积神经网络中的卷积层和全连接层使用ReLU(RectifiedLinearUnit，修正线性单元)作为激活函数为模型添加非线性因素，ReLU函数形式如下：本专利技术中，优选地，步骤二的卷积神经网络在训练过程中在全连接层和输出层之间使用Dropout方法减少全连接层会出现的过拟合问题，按照一定的概率将部分神经元暂时从网络中丢弃，以此提高模型的鲁棒性，在测试过程中将Dropout关闭。本专利技术中，优选地，步骤二中的卷积神经网络中的输出层使用Softmax作为回归模型进行分配概率，将M维的任意实数向量映射成另一个M维的实数向量，其中向量中的每个元素取值都介于(0，1)之间：其函数的输入z是M维的实数向量，神经网络的输出层经过Softmax处理后得到的M维向量中的每个数值即代表对应类别的概率值。本专利技术中，优选地，步骤二卷积神经网络使用交叉熵作为卷积神经网络的成本函数：其中y是我们预测的概率分布，y′是实际的分布，log是对数函数，卷积神经网络的目的是最小化成本函数。本专利技术中，优选地，步骤二中的卷积神经网络用来最小化成本函数的反向传播算法使用Adam(AdaptiveMomentEstimation)方法，这是一种基于一阶梯度来优化随机目标函数的算法，优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。本专利技术中，优选地，步骤三中的性能评估需要在测试集上进行，神经网络最终输出的结果是由一组介于0和1之间数值表示的向量形式，取最大概率值所在的索引位置即为计算出的类别，将计算出的类别与实际类别相比较，计算两者一致的比例即为正确率，以此评估分类器的性能。本专利技术中，优选地，步骤四中可调整的神经网络参数包括样本数量、卷积层的通道数量和窗口大小、池化层窗口大小和全连接层神经元数量。附图说明下面结合附图和具体实施方式对本专利技术做更进一步的具体说明，本专利技术的有关叙述和其他方面的优点将会变得更加清楚。图1为本专利技术流程图。图2为本专利技术中的数据采样示意图。具体实施方式如图1所示，本专利技术公开了一种基于机器学习的三维超声图像分割方法，包括以下步骤：步骤一，将标注好M种类别的二维超声图像作为机器学习的初始样本，在多组二维图像中分别对不同类别的区域进行采样，选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；步骤二，构建卷积神经网络作为分类器，以训练集中每组样本的图像片段作为输入，像素点实际代表的类别作为标签，训练卷积神经网络；步骤三，使用步骤二中训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；步骤四，调整卷积神经网络的参数，多次重复步骤二到三，最终选取生成最优的结果一组参数作为分类器的参数；步骤五，将待处理的三维超声图像，切分为相互平行等间距的N组二维切面图像；步骤六，使用训练好的分类器，处理步骤五中切分好的N组图像，将图像中每个像素点分割为不同类别，以此实现对三维超声图像的分割；本实例中，步骤一中的M种类别，比如皮肤、脂肪、腺体、肿瘤等，分别以不同颜色在与原图像对应的新的图层中标注，在采样过程中，读取图像的标注层中每个点的色值，以此区分原图像中对应像素点所属的类别。本实例中，步骤一中采样需要在原图像中选取以特征像素点为中心的图像片段，如图2所示，设特征像素点坐标为(a，b)，则取样的图像片段四个顶点坐标为(a-Δa，b-Δb)，(a+Δa，b-Δb)，(a-Δa，b+Δb)，(a+Δa，b+Δb)，取得的图像片段宽高分别为2Δa+1和2Δb+1，超出原图像范围的坐标点以像素值0代替，然后取图像片段包含的像素集合xi；本实例中选取的Δa和Δb均为63，因此图像片段宽高均为127。本实例中，步骤一中的特征像素点的实际类别可用数字表示，设需要分割的组织或区域有M种类别，则可以用0到M-1的数字分别表示，然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量，比如，将脂肪用数字2表示，表示为向量形式是[0，0，1，0，0，……]。本实例中，步骤一中的采样在标注好的50幅二维灰度图像中进行，以此消除一些特例的影响。本实例中，步骤一建立的样本数据需分为训练集和测试集，在50幅图像中采集到的样本数量为250000组，选取其中80％的样本作为训练集，20％作为测试集。本实例中，步骤二中的卷积神经网络包括输入层、三层卷积和本文档来自技高网...

【技术保护点】
1.一种基于机器学习的三维超声图像分割方法，其特征在于，包括如下步骤：步骤一，将标注好M种类别的二维超声图像作为机器学习的初始样本，在多组二维图像中分别对不同类别的区域进行采样，选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；步骤二，构建卷积神经网络作为分类器，以训练集中每组样本的图像片段作为输入，像素点实际代表的类别作为标签，训练卷积神经网络；步骤三，使用步骤二中训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；步骤四，调整卷积神经网络的参数，多次重复步骤二到三，最终选取生成最优的结果一组参数作为分类器的参数；步骤五，将待处理的三维超声图像，切分为相互平行等间距的N组二维切面图像；步骤六，使用训练好的分类器，处理步骤五中切分好的N组图像，将图像中每个像素点分割为不同类别，以此实现对三维超声图像的分割。

【技术特征摘要】
1.一种基于机器学习的三维超声图像分割方法，其特征在于，包括如下步骤：步骤一，将标注好M种类别的二维超声图像作为机器学习的初始样本，在多组二维图像中分别对不同类别的区域进行采样，选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；步骤二，构建卷积神经网络作为分类器，以训练集中每组样本的图像片段作为输入，像素点实际代表的类别作为标签，训练卷积神经网络；步骤三，使用步骤二中训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；步骤四，调整卷积神经网络的参数，多次重复步骤二到三，最终选取生成最优的结果一组参数作为分类器的参数；步骤五，将待处理的三维超声图像，切分为相互平行等间距的N组二维切面图像；步骤六，使用训练好的分类器，处理步骤五中切分好的N组图像，将图像中每个像素点分割为不同类别，以此实现对三维超声图像的分割。2.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法，其特征在于，步骤一中的特征像素点的实际类别可用数字表示，设需要分割的区域有M种类别，则可以用0到M-1的数字分别表示，然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量。3.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法...

【专利技术属性】
技术研发人员：袁杰，梁澄宇，叶濛，刘晓峻，程茜，王学鼎，
申请(专利权)人：南京大学，同济大学，
类型：发明
国别省市：江苏,32