一种基于双重交错的医学图像分割网络制造技术

本发明专利技术提供了一种基于双重交错的网络，包括：处理图片数据集；使用双重交错网络结构，DCNN第一个基础块获取医学图片的特征与原始图像特征融合后作为DCNN第二个基础块的图片输入；每个基础块在上下采样的过程中，采用非対称结构，下采样过程中采用密集连接块，减少下采样的特征损失，并且在每个基础块内部使用criss‑cross方式作为不同层级的隐藏特征，增强网络内部多级语义特征融合，提高网络提取和留存特征信息的能力。在医学图像分割任务中达到了更高的准确率。解决了因为使用Bottom‑up导致丢失小物体和模糊定位边界信息的问题。

A medical image segmentation network based on double interleaving

【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域的一个重要内容，由于肿瘤个体的形状、纹理等差异较大，从而实现更为困难。其分割效果主要取决于分割网络的关键特征提取能力。由于图像采集设备的不同，数据的原始分布完全不同。因此，为了平衡数据集，本专利技术采用z分数归一化操作作为优化数据集的预处理步骤。z分数归一化可以定义如下：y＝(x-mean(x))/std(x)本专利技术将基于脑肿瘤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。本专利技术使用经过z分数归一化的脑MRI图片作为算法的图片输入特征，本专利技术使用doublecriss-crossnet作为提取脑肿瘤特征的算法，将第一层之后编码信息与原始信息合并依次输入第二层中，得到最终的分割结果。传统的医学图像分割网络比如Unet，只提取了图片中物体的特征，且特征信息在冗长且单一传输渠道的网路中容易导致分割算法小物体及边界信息分割准确率不高。本专利技术将多级特征融合加入网络，在增加网络特征传输和留存能力的同时，也拓展了网络深度。此算法在关于脑肿瘤分割问题上有了较大进步。本专利技术的前景是广阔的，本专利技术提高了脑肿瘤分割的准确率，能够有效提高分割性能，辅助医疗诊断。附图说明图1是本专利技术一种实施例的模型训练示意图图2是本专利技术一种实施例的模型使用示意图图3是本专利技术的网络模型架构示意图图4是本专利技术的特征融合示意图具体实施方式本专利技术的具体实施分为算法模型的训练和算法模型的使用两个部分。下面根据附图和实施例，对本专利技术的具体实施方式做进一步详细说明。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。基于criss-cross的医学图像网络模型架构如图3所示。每一个训练样本包含一张原始脑MRI图片和一个对应已标记好的label，本专利技术使用z分数归一化操作来平衡数据集。此网络结构分为两个基础块，其内部细节相同，上下采样采用非対称式，下采样中采用密集连接块，增强下采样过程中提取特征的能力。在融合过程中加入了输出当前任务的特征，再将融合特征输入到log_softmax函数中，得到当前任务的logits，并使用Kullback-Leiblerdivergence(相对熵，KL散度)作为损失函数计算损失值，使用RMSProp算法作为模型训练时的优化算法，并使用学习率衰减方法辅助进行训练。1、本专利技术使用criss-cross方式构建其基础块内部网络，也就是说加入了相邻节点获取的特征信息实现多级语义特征融合的过程，其中特征融合模块的结构示意图如图4所示：其中左边的图代表每个基础块内部特征融合，特征1是下采样阶段上一层级池化前的特征Fprevious，特征2是下采样阶段本层级池化前的特征Fcurrent，将Fprevious经过Conv降维筛选操作后与Fcurrent特征做一个contact操作，用于减少下采样阶段特征损失，其融合公式如下：Featurefusion＝Contact(Fcurrent,Conv(Fprevious))右边的图代表两个基础块之间特征融合，其中一个特征是第一个基础块的输出特征Foneblock，另一个是原始输入图像特征Forigininput，用于补全特征损失，融合公式如下：Featurefusion＝Contact(Foneblock,Forigininput)将网络basicblock2中最后一级融合之后的特征使用KL散度作为损失函数，衡量预测值p(x)与真实值q(x)之间的偏差，其公式如下：该算法的设计旨在使用改进的特征融合方式和网络捕获和留存特征信息的能力，提高医学图像分割的准确性。在训练时，将原始医学图片和对应的label送入模型中训练即可，训练好的模型便拥有了医学图像分割的能力，即模型针对输入的医学图像可预测分割结果(病灶区域)。以上所述，仅为本专利技术的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本专利技术的保护范围之内。本专利技术的保护范围应该以权利要求的保护范围为准。本文档来自技高网...

【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