一种基于U-Net模型的分割医学图像的方法、装置及存储介质制造方法及图纸

一种基于U‑Net模型的分割医学图像的方法、装置及存储介质，方法包括：确定多张医学图像的目标分割区域；分别对多张医学图像的目标分割区域进行医学扫描，得到彩色医学图像样本；对各彩色医学图像样本分别进行预处理，得到提取G通道后的灰色图像；对各灰色图像分别进行去除噪声操作，根据去除噪声后的各灰色图像分别生成一个对应的分割标签图像；对医学图像样本和分割标签图像进行旋转、平移、缩放中的至少一项数据增强处理操作，得到多个位图样本；分别将各位图样本划分为训练集和验证集；将各训练集输入医学图像分割模型，以训练医学图像分割模型；使用各验证集调试模型参数，得到最优模型参数；使用各验证集对进行性能测试，得到最优分割正确率。

A Method, Device and Storage Medium for Segmenting Medical Images Based on U-Net Model

【技术实现步骤摘要】
一种基于U-Net模型的分割医学图像的方法、装置及存储介质
本专利技术涉及大数据深度学习
，尤其涉及一种基于U-Net模型的分割医学图像的方法、装置及存储介质。
技术介绍
随着医学影像技术的快速发展,现在采用大数据分析医学图像，从海量的医学图像中挖掘出有用信息，然后识别出医学图像，以判定患者是否患病或者判断患者的疾病种类。而由于医学图像数量庞大，且采集临床医学图像的设备的种类繁多，再加上不同的患病部位以及不同的疾病种类，而目前的数据分析方法无法在这些环境下从多种医学图像中准确的挖掘出有用的信息，且目前的数据分析方法已无法满足当前的医疗需求。
技术实现思路
针对上述技术问题，本专利技术实施例提供了一种基于U-Net模型的分割医学图像的方法、装置及存储介质。第一方面，本专利技术实施例提供一种基于U-Net模型的分割医学图像的方法，包括：获取待分割的多张图像，确定所述多张医学图像的目标分割区域；分别对所述多张医学图像的目标分割区域进行医学扫描，扫描得到多个彩色医学图像样本；对各彩色医学图像样本分别进行预处理，得到多张提取G通道后的灰色图像；对各灰色图像分别进行去除噪声操作，根据去除噪声后的各灰色图像分别生成一个对应的分割标签图像；对预处理后的医学图像样本和对应的分割标签图像一起进行旋转、平移、缩放中的至少一项数据增强处理操作，得到多个医学图像样本对应的位图样本；按照预设比例分别将各位图样本划分为训练集和验证集；生成医学图像分割模型，将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；使用各位图样本的验证集调试所述医学图像分割模型的模型参数，调试得到所述医学图像模型的一组最优模型参数；将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率。可选的，在数据增强处理操作中，平移和缩放的随机区间范围均为0-20％，旋转的随机区间范围为0～10°；所述预设比例为4:1。可选的，所述生成医学图像分割模型，包括：生成一个医学图像分割框架U-Net；将U-Net编码器和解码器中的正常的卷积层替换为密集卷积块Denseblock；在每个3×3卷积之前，在所述医学图像分割模型中的Denseblock中构建4个1×1的卷积层，各卷积层基本结构为BN-ReLU-Conv(3×3)；在编码器和解码器中均加入密集卷积块；通过所述Denseblock将所述4个1×1的卷积层连接起来，每个卷积层都加入批标准化；在设置所述解码器的阶段，在所述解码器中添加注意力门机制，以自动学习专注于目标结构。可选的，所述将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率，包括：将各位图样本的训练集分批输入所述医学图像分割模型；利用反向传播策略，通过Adam更新所述医学图像分割模型的模型参数；其中，每次批量输入所述医学图像分割模型的训练集的样本数目为4，每次训练所述医学图像分割模型的训练次数为2000次；每次训练完后，根据各个迁移模型在所述验证集上的表现调整学习率；最后将验证集上的效果比较，得到最优学习率。可选的，所述将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率，包括：使用彩色眼底视网膜进行最终系统的测试，得到最后的系统输出结果。第二方面，本申请提供一种用于分割医学图像的装置，具有实现对应于上述第一方面提供的基于U-Net模型的分割医学图像的方法中的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。一种可能的设计中，所述装置包括：输入输出模块，用于获取待分割的多张图像，确定所述多张医学图像的目标分割区域；处理模块，用于分别对所述多张医学图像的目标分割区域进行医学扫描，扫描得到多个彩色医学图像样本；对各彩色医学图像样本分别进行预处理，得到多张提取G通道后的灰色图像；对各灰色图像分别进行去除噪声操作，根据去除噪声后的各灰色图像分别生成一个对应的分割标签图像；对预处理后的医学图像样本和对应的分割标签图像一起进行旋转、平移、缩放中的至少一项数据增强处理操作，得到多个医学图像样本对应的位图样本；按照预设比例分别将各位图样本划分为训练集和验证集；生成医学图像分割模型，通过所述输入输出模块将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；使用各位图样本的验证集调试所述医学图像分割模型的模型参数，调试得到所述医学图像模型的一组最优模型参数；通过所述输入输出模块将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率。可选的，在数据增强处理操作中，平移和缩放的随机区间范围均为0-20％，旋转的随机区间范围为0～10°；所述预设比例为4:1。可选的，所述处理模块具体用于：生成一个医学图像分割框架U-Net；将U-Net编码器和解码器中的正常的卷积层替换为密集卷积块Denseblock；在每个3×3卷积之前，在所述医学图像分割模型中的Denseblock中构建4个1×1的卷积层，各卷积层基本结构为BN-ReLU-Conv(3×3)；在编码器和解码器中均加入密集卷积块；通过所述Denseblock将所述4个1×1的卷积层连接起来，每个卷积层都加入批标准化；在设置所述解码器的阶段，在所述解码器中添加注意力门机制，以自动学习专注于目标结构。可选的，所述处理模块具体用于：通过所述输入输出模块将各位图样本的训练集分批输入所述医学图像分割模型；利用反向传播策略，通过Adam更新所述医学图像分割模型的模型参数；其中，每次批量输入所述医学图像分割模型的训练集的样本数目为4，每次训练所述医学图像分割模型的训练次数为2000次；每次训练完后，根据各个迁移模型在所述验证集上的表现调整学习率；最后将验证集上的效果比较，得到最优学习率。可选的，所述处理模块具体用于：使用彩色眼底视网膜进行最终系统的测试，得到最后的系统输出结果。本专利技术实施例提供的技术方案中，分别对所述多张医学图像的目标分割区域进行医学扫描，扫描得到多个彩色医学图像样本；对各彩色医学图像样本分别进行预处理，得到多张提取G通道后的灰色图像；对预处理后的医学图像样本和对应的分割标签图像一起进行数据增强处理操作，得到多个医学图像样本对应的位图样本；将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；使用各位图样本的验证集调试所述医学图像分割模型的模型参数，调试得到所述医学图像模型的一组最优模型参数；将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率。因此相对于现有技术，本专利技术实施例中，通过在深度学习模型中特征抽取层可以有效提取出所需要的特征，可以将需要分割的目标从医学图像中较好的分割出来，对医生诊断疾病提供准确的依据。通过引本文档来自技高网...

【技术保护点】
1.一种基于U‑Net模型的分割医学图像的方法，其特征在于，所述方法包括：获取待分割的多张图像，确定所述多张医学图像的目标分割区域；分别对所述多张医学图像的目标分割区域进行医学扫描，扫描得到多个彩色医学图像样本；对各彩色医学图像样本分别进行预处理，得到多张提取G通道后的灰色图像；对各灰色图像分别进行去除噪声操作，根据去除噪声后的各灰色图像分别生成一个对应的分割标签图像；对预处理后的医学图像样本和对应的分割标签图像一起进行旋转、平移、缩放中的至少一项数据增强处理操作，得到多个医学图像样本对应的位图样本；按照预设比例分别将各位图样本划分为训练集和验证集；生成医学图像分割模型，将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；使用各位图样本的验证集调试所述医学图像分割模型的模型参数，调试得到所述医学图像模型的一组最优模型参数；将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率。

【技术特征摘要】
1.一种基于U-Net模型的分割医学图像的方法，其特征在于，所述方法包括：获取待分割的多张图像，确定所述多张医学图像的目标分割区域；分别对所述多张医学图像的目标分割区域进行医学扫描，扫描得到多个彩色医学图像样本；对各彩色医学图像样本分别进行预处理，得到多张提取G通道后的灰色图像；对各灰色图像分别进行去除噪声操作，根据去除噪声后的各灰色图像分别生成一个对应的分割标签图像；对预处理后的医学图像样本和对应的分割标签图像一起进行旋转、平移、缩放中的至少一项数据增强处理操作，得到多个医学图像样本对应的位图样本；按照预设比例分别将各位图样本划分为训练集和验证集；生成医学图像分割模型，将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；使用各位图样本的验证集调试所述医学图像分割模型的模型参数，调试得到所述医学图像模型的一组最优模型参数；将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率。2.根据权利要求1所述的方法，其特征在于，在数据增强处理操作中，平移和缩放的随机区间范围均为0-20％，旋转的随机区间范围为0～10°；所述预设比例为4:1。3.根据权利要求1所述的方法，其特征在于，所述生成医学图像分割模型，包括：生成一个医学图像分割框架U-Net；将U-Net编码器和解码器中的正常的卷积层替换为密集卷积块Denseblock；在每个3×3卷积之前，在所述医学图像分割模型中的Denseblock中构建4个1×1的卷积层，各卷积层基本结构为BN-ReLU-Conv(3×3)；在编码器和解码器中均加入密集卷积块；通过所述Denseblock将所述4个1×1的卷积层连接起来，每个卷积层都加入批标准化；在设置所述解码器的阶段，在所述解码器中添加注意力门机制，以自动学习专注于目标结构。4.根据权利要求1所述的方法，其特征在于，所述将各位图样本的训练集输入所述医学图像分割模型，以训练所述医学图像分割模型；将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测试，得到所述医学图像分割模型的最优分割正确率，包括：将各位图样本的训练集分批输入所述医学图像分割模型；利用反向传播策略，通过Adam更新所述医学图像分割模型的模型参数；其中，每次批量输入所述医学图像分割模型的训练集的样本数目为4，每次训练所述医学图像分割模型的训练次数为2000次；每次训练完后，根据各个迁移模型在所述验证集上的表现调整学习率；最后将验证集上的效果比较，得到最优学习率。5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述将各位图样本的训练集输入所述医学图像分割模型，以使用各医学图像样本的验证集对进行性能测...

【专利技术属性】
技术研发人员：吴聪，邹义轩，夏冬，刘延龙，杨智，詹金豪，金吉成，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42