基于U-net网络结构的生物医学图像自动分割新方法技术

本发明专利技术属于图像处理与计算机视觉技术领域，涉及基于U‑net网络结构的生物医学图像自动分割新方法，包括将生物医学数据集分为训练集和测试集，对测试集和扩增处理后的测试集进行归一化预处理；将训练集的图像输入改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；通过集中性损失函数计算分类概率图与金标准的误差，通过梯度后向传播方法，获得网络模型的权重参数；将测试集中的图像输改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；根据分类概率图中的类别概率，得到图像的分割结果图；本发明专利技术解决图像分割过程中简单样本对损失函数的贡献过大以至于不能很好学习困难样本等问题。

A New Method of Automatic Biomedical Image Segmentation Based on U-net Network Structure

The invention belongs to the field of image processing and computer vision technology, and relates to a new method of automatic segmentation of biomedical images based on U_net network structure. It includes dividing biomedical data sets into training sets and test sets, normalizing test sets after test sets and amplification processing, inputting the image of training sets into an improved U_net network model, and outputting images through softmax. Layer generates classification probability map; calculates the error between classification probability map and gold standard by centralized loss function, obtains the weight parameters of network model by gradient backward propagation method; transmits the image in test set to the improved U_net network model, and generates classification probability map through soft Max layer; obtains the segmentation result of image according to the classification probability of classification probability map. The invention solves the problem that simple samples contribute too much to the loss function in the process of image segmentation to learn difficult samples well.

【技术实现步骤摘要】
基于U-net网络结构的生物医学图像自动分割新方法
本专利技术属于图像处理与计算机视觉
，特别涉及一种基于U-net网络结构的生物医学图像自动分割新方法。
技术介绍
医学图像分割对三维定位、三维可视化、手术规划和计算机辅助诊断等都具有十分重要的意义，是图像处理与分析的热点研究领域之一。其方法分为人工分割、半自动分割和自动分割三种。人工分割方法十分耗时，并且依赖于临床专家的知识经验等主观因素，可重复性较差，不能完全满足临床上的实时需要。半自动分割方法采取人机交互，在一定程度上提高了分割速度，但仍然依赖于观察者，限制了其在临床实践中的应用。自动分割方法完全借助计算机提取出感兴趣区域边缘，该种方法完全避免了观察者主观因素的影响，提高了处理数据的速度，可重复性好。然而，由于在生物医学中，目标个体结构的复杂变化以及各种医学成像方式和技术造成的低对比度、噪音等影响，使医学图像的可变性很高。因此，自动分割生物医学图像成为目前图像处理的研究热点之一。近年来，基于像素的方法和基于结构的方法在生物医学图像分割方面取得了实质性的进展。这些方法使用手工特征和先验知识，在一些简单的分割任务中取得了期望的本文档来自技高网...

【技术保护点】
1.基于U‑net网络结构的生物医学图像自动分割新方法，其特征在于，包括以下步骤：S1：将生物医学数据集分为训练集和测试集，对训练集进行数据扩增处理，并对测试集和扩增处理后的训练集进行归一化预处理；S2：将训练集的图像输入改进的U‑net网络模型，输出图像经过softmax层生成一个通道数为2的分类概率图，其中分类概率图与输入图像的分辨率相同；S3：通过集中性损失函数计算分类概率图与金标准的误差，并通过梯度后向传播方法，获得改进的U‑net网络模型的权重参数；S4：将测试集中的图像输入S3中训练好的改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；S5：根据分类概率图中的类...

【技术特征摘要】
1.基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，包括以下步骤：S1：将生物医学数据集分为训练集和测试集，对训练集进行数据扩增处理，并对测试集和扩增处理后的训练集进行归一化预处理；S2：将训练集的图像输入改进的U-net网络模型，输出图像经过softmax层生成一个通道数为2的分类概率图，其中分类概率图与输入图像的分辨率相同；S3：通过集中性损失函数计算分类概率图与金标准的误差，并通过梯度后向传播方法，获得改进的U-net网络模型的权重参数；S4：将测试集中的图像输入S3中训练好的改进的U-net网络模型，输出图像经过softmax层生成分类概率图；S5：根据分类概率图中的类别概率，取概率最大的类别作为该像素位置的类别，得到图像的分割结果图。2.根据权利要求1所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，步骤S1具体包括：S11：将训练集中的图像数据进行旋转，旋转角度在(-20°，20°)之间，截取旋转后的图像数据的最大矩形；S12：将旋转后的图像数据以80％的概率进行上下翻转和左右反转，然后跳至步骤S13：S13：将图像数据以80％的概率进行弹性扭曲，然后跳至步骤S14；S14：将图像数据进行(50％，80％)范围的缩放处理，完成数据扩增处理；S15：计算测试集和扩增处理后的训练集中图像数据的均值和标准差，按对比度归一化公式处理图像的对比度，其中对比度归一化公式表示为：I＝(I-Mean)/Std；其中，I表示图像的对比度，Mean表示图像数据的均值，Std表示图像数据的标准差。3.根据权利要求1所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，改进的U-net网络模型包括可变形编码器和具有重构上采样结构的解码器网络组成，可变形编码器的组成依次包括输入层、第一可变形卷积层、第二可变形卷积层、第一最大池化层、第三可变形卷积层、第四可变形卷积层、第二最大池化层、第五可变形卷积层、第六可变形卷积层、第三最大池化层、第七可变形卷积层、第八可变形卷积层、第四最大池化层、第九可变形卷积层；具有重构上采样结构的解码器网络包括第一常规卷积层、第一重构...

【专利技术属性】
技术研发人员：胡学刚，杨洪光，郑攀，王良晨，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50