一种基于特征增强的三维医学图像分割方法技术

一种基于特征增强的三维医学图像分割方法，涉及图像处理领域。构造一种U型卷积神经网络，实现端到端的医学图像分割；将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中，得到不同的特征图；提取多个并行网络的特征图并融合，再进行卷积，得到不同特征图各自的权重图；将并行网络各自的体素级权重与原先的特征图相乘，完成特征增强过程；将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。能有效地增强特征图中有用的信息，抑制冗余信息。同时，相较于其他注意力加权方式，该加权方法考虑到了图像的多模态信息和三维信息，从而获得更好的分割效果。

A 3D Medical Image Segmentation Method Based on Feature Enhancement

A three-dimensional medical image segmentation method based on feature enhancement involves the field of image processing. A U-shaped convolution neural network is constructed to realize end-to-end segmentation of medical images. The multi-modal images of medical images are fed into parallel U-shaped convolution neural networks as input, and different feature maps are obtained. The feature maps of multiple parallel networks are extracted and fused, and then convoluted to obtain their respective weight maps. The weight is multiplied with the original feature graph to complete the feature enhancement process. The feature graph at the end of all parallel networks is fused to obtain multiple probability maps, and the segmentation results are obtained. It can effectively enhance the useful information in the feature graph and restrain the redundant information. At the same time, compared with other attention weighting methods, this weighting method takes into account the multi-modal and three-dimensional information of the image, so as to obtain better segmentation results.

【技术实现步骤摘要】
一种基于特征增强的三维医学图像分割方法
本专利技术涉及图像处理领域，尤其是涉及一种基于特征增强的三维医学图像分割方法。
技术介绍
图像分割是图像处理和计算机视觉领域中的一个基本问题，特别是医学图像分割，近来已经成为医学图像领域最热门的研究方向之一，其对于临床诊断和治疗有重要的意义。深度学习的概念由Hinton等人于2006年提出，是机器学习领域中的一系列对数据进行多层抽象的算法。近几年，深度学习的出现使图像分割的性能大幅提高，将图像分割带入了一个新的发展阶段。对于深度学习的卷积神经网络来说，网络中的特征图包含着丰富的图像信息，但很多情况下，特征图的某些信息又是多余的，甚至有可能影响到最终的网络输出结果。于是，学术界开始尝试运用注意力机制，增强特征图中某些区域的有用的信息，抑制部分无用的信息，从而提高网络的性能。目前，注意力机制已经成功运用在一些二维的图像处理任务中，例如超分辨率重建、图像去雨去雾、人体行为识别等。然而，空间注意力机制尚未在多模态的三维图像中得到有效的运用。在医学图像分割领域，一些经典的网络如3DU-Net(Abdulkadir,A.,Lienkamp,S.S.,Bro本文档来自技高网...

【技术保护点】
1.一种基于特征增强的三维医学图像分割方法，其特征在于包括以下步骤：1)构造一种U型卷积神经网络，实现端到端的医学图像分割；2)将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中，得到不同的特征图；3)提取多个并行网络的特征图并融合，再进行卷积，得到不同特征图各自的权重图；4)将并行网络各自的体素级权重与原先的特征图相乘，完成特征增强过程；5)将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。

【技术特征摘要】
1.一种基于特征增强的三维医学图像分割方法，其特征在于包括以下步骤：1)构造一种U型卷积神经网络，实现端到端的医学图像分割；2)将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中，得到不同的特征图；3)提取多个并行网络的特征图并融合，再进行卷积，得到不同特征图各自的权重图；4)将并行网络各自的体素级权重与原先的特征图相乘，完成特征增强过程；5)将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。2.如权利要求1所述一种基于特征增强的三维医学图像分割方法，其特征在于在步骤1)中，所述构造一种U型卷积神经网络是构造单通路网络结构图，单通路网络结构借鉴医学图像领域常用的U型卷积神经网路，其中包含两次池化与上采样过程，使得网络输出图片与原输入图片尺寸大小相同；每一个卷积层都包含BN层、卷积操作以及使用激活函数激活；同时，在训练阶段，通过在网络浅层加入辅助监督层，将监督信息引入网络浅层，使网络浅层有更多的语义信息；最终网络总的损失函数设定为：其中，X和Y表示输入的训练数据以及分割标签；Θ代表网络的各项参数；对于每一个X，都有一个Y的对应的分割标签Yc，有pc(X,Θ)代表网络输出结果中每个类别中体素级分类的概率；表示第α个辅助监督层的输出结果中每个类别中体素级分类的概率，且两个辅助监督层的权重μα均为0.5；在网络中引入l2正则化方法，并将正则化系数λ设定为0.0001。3.如权利要求1所述一种基于特征增强的三维医学图像分割方法，其特征在于在步骤2)中，所述并行的U型卷积神经网络中，是将各个模态的医学图像分别作为每条网络的输入，在网络末端再将多条网络的特征图融合，以得到最终的分割概率图，同时，在网络进行空间加权时...

【专利技术属性】
技术研发人员：丁兴号，黄悦，孙立言，马文骜，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35