【技术实现步骤摘要】
一种基于双重交错的医学图像分割网络
本专利技术涉及计算机视觉领域,特别涉及一种基于卷积神经网络和堆叠级联网络的医学图像分割及实现方法。
技术介绍
最近几年,基于深度学习的机器视觉的研究方法被大量提出,相比之前使用手工分割图片,极大地提高了实现效率和系统性能。在机器视觉方面,通常使用卷积神经网络包括:Gan,DenseNet,Resnet等提取图片的高维特征,用该特征作为图片的高维表示。在医学图像分割方面,以2015年提出的Unet作为里程碑式分割网络,它能较好的捕获医学图像复杂的纹理特征。医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展,如可视化、三维重建等,而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于深度学习算法在医学图像分割中的应用,医学图像分割技术取得了显著的进展。机器视觉长期以来都是人工智能的基础性研究领域,是人工智能中重要的研究课题之一,有助于推进人工智能更进一步发展。在实现方面较单一系统更为复杂,上下采样采用非対称式结构,其基本网络内部需使用交措型网络进行多级语义特征融合方法,提高了医学图像的分割精度。
技术实现思路
本专利技术要解决的技术问题是:提供一种使用criss-cross同时扩展网络深度的思想,解决传统网络分割丢失信息的问题。本专利技术使用案例为较为复杂的医学图像-脑MRI图,包含四个模态:T1,t1c,T2,andFlair。众所周知,脑肿瘤分割是医学图像分析领 ...
【技术保护点】
1.一种基于双重交错的网络,其特征在于将脑MRI图片的分割视为一个分类问题,对于每一个像素点输出一个数值,本专利技术使用一个阈值将输出数值小于该阈值的答案视为背景,输出分数大于该阈值的像素点视为肿瘤区域,上述DCCN模型应该分为以下几个模块:/n特征提取模块负责提取脑MRI图片的特征,上下采样采用非対称的方式,尽可能减少下采样阶段的特征损失,另外网络采用双层结构,使用DCCN第一层模型识别输入图片中的脑肿瘤特征,将提取到的肿瘤的特征和原始图像融合作为第二层模型的输入特征,取代传统的将整张图片输入模型作为输入特征;/n多级特征融合模块负责将深层级复杂的特征与邻级特征融合,充分考虑多级特征的相关性,再每个基础块网络内部增加criss-cross连接,增加网络信息留存能力,尽可能减少信息损失,以此增强网络的鲁棒性,降低下采样过程中微小物体及边缘特征的损失;/n肿瘤定位模块负责将使用DCCN第二层模型定位肿瘤的位置信息,基于前两个模块提取的多级语义特征信息,并将其融合得到的特征用作分类,得到最终的分割结果。/n
【技术特征摘要】
1.一种基于双重交错的网络,其特征在于将脑MRI图片的分割视为一个分类问题,对于每一个像素点输出一个数值,本发明使用一个阈值将输出数值小于该阈值的答案视为背景,输出分数大于该阈值的像素点视为肿瘤区域,上述DCCN模型应该分为以下几个模块:
特征提取模块负责提取脑MRI图片的特征,上下采样采用非対称的方式,尽可能减少下采样阶段的特征损失,另外网络采用双层结构,使用DCCN第一层模型识别输入图片中的脑肿瘤特征,将提取到的肿瘤的特征和原始图像融合作为第二层模型的输入特征,取代传统的将整张图片输入模型作为输入特征;
多级特征融合模块负责将深层级复杂的特征与邻级特征融合,充分考虑多级特征的相关性,再每个基础块网络内部增加criss-cross连接,增加网络信息留存能力,尽可能减少信息损失,以此增强网络的鲁棒性,降低下采样过程中微小物体及边缘特征的损失;
肿瘤定位模块负责将使用DCCN第二层模型定位肿瘤的位置信息,基于前两个模块提取的多级语义特征信息,并将其融合得到的特征用作分类,得到最终的分割结果。
2.根据权利...
【专利技术属性】
技术研发人员:田文洪,吴智兴,陈伏娟,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。