一种实时多组织医学图像的分割方法技术

本发明专利技术公开了一种实时多组织医学图像的分割方法，先获取MRI、CT图像并整理统一，然后基于空洞卷积的高分辨率特征并行提取方法搭建全卷积神经网络模型；利用获取的图像对全卷积神经网络模型进行训练，在具体训练过程中通过自适应的loss函数实现较快的网络收敛速度，并获得了较高的分割精度，从而得到最终的标准全卷积神经网络模型，最后通过该模型进行实时分割，这样大大较少计算量实现实时的图像分割任务。

A real-time segmentation method of multi tissue medical image

【技术实现步骤摘要】
一种实时多组织医学图像的分割方法
本专利技术属于图像处理
，更为具体地讲，涉及一种实时多组织医学图像的分割方法。
技术介绍
近年来，随着医学影像设备的迅速发展，医生可以通过图片等简洁的数据形式来更好的诊断患者的病情，大大提高了医生的工作效率并降低了误判的几率，但是，医生们得到医学设备提供的图像后，一般还必须通过手动处理，人工的标注等复杂且非常乏味的工作以得到想要的数据，，比如患者病症组织的轮廓以及肿瘤的确切位置等等，这种处理模式耗时耗力，并且其准确程度与医生的专业程度关系很大，一个经验不足的医生还是很容易出现人工处理的错误，与人工标注相比，利用计算机进行医学图像处理，辅助医生进行诊断，不仅能大大降低医生的工作强度也有助于提高诊断的效率，因而逐渐成为了国内国外医疗界的发展趋势。但是，相对于处理自然图像，医学图像处理是一种挑战，目前主流的医疗成像设备如磁共振成像(MRI)、计算机断层扫描(CT)、超声、正电子发射断层扫描(PET)等都或多或少的存在一些缺陷造成了医学图像处理的困难，因此研究进行医学图像处理的算法是时下的研究热点。目前医本文档来自技高网...

【技术保护点】
1.一种实时多组织医学图像的分割方法，其特征在于，包括以下步骤：/n(1)、获取MRI，CT图像并整理统一；/n(1.1)、从而数据库中下载多个病人不同部位的核磁共振成像MRI和计算机断层扫描图像CT；/n(1.2)、为每一位病人建立一个图片集，将不同部位的核磁共振成像MRI和计算机断层扫描图像CT存在图片集中，设共计建立N个图片集；/n(2)、基于空洞卷积的高分辨率特征并行提取方法搭建全卷积神经网络模型；/n(2.1)、利用机器学习算法设计控制子网络个数以及特征并行数，初始设置3个子网络，每个子网络存在4个并行层；/n(2.2)、三个串联并相互联通的子网络，每个子网络以上一个子网络的输出和人...

【技术特征摘要】
1.一种实时多组织医学图像的分割方法，其特征在于，包括以下步骤：
(1)、获取MRI，CT图像并整理统一；
(1.1)、从而数据库中下载多个病人不同部位的核磁共振成像MRI和计算机断层扫描图像CT；
(1.2)、为每一位病人建立一个图片集，将不同部位的核磁共振成像MRI和计算机断层扫描图像CT存在图片集中，设共计建立N个图片集；
(2)、基于空洞卷积的高分辨率特征并行提取方法搭建全卷积神经网络模型；
(2.1)、利用机器学习算法设计控制子网络个数以及特征并行数，初始设置3个子网络，每个子网络存在4个并行层；
(2.2)、三个串联并相互联通的子网络，每个子网络以上一个子网络的输出和人工的输入作为输入，使用多次下采样得到不同尺寸的特征图，分别对并行的各尺寸的特征图进行多次卷积和一次fc注意力机制卷积，进行单个子网络的编码；对各个子网络的输出进行卷积并从最后一个子网络的输出开始使用反卷积以及反池化操作结合各尺寸卷积的输出进行图片特征解码；
(3)、训练全卷积神经网络模型；
(3.1)、全卷积神经网络模型初始化
(3.2)、将N个病人的图片集按照(N-1):1的比例划分为训练集和测试集；将每一个图片集等分成大小相等的patch，每个patch包含k张图片，在最后一个patch中如果不足k张图片，则直接舍弃该个patch；
(3.3)、对每个patch进行人工分割，得到k×n的分割图，记为比对的参考图，其中，n表示每张图片分割的张数；
(3.4)、从训练集中随机选取一个patch输入至全卷积神经网络模型，输出k×n的分割图，记为待对比图，其中，n表示每张图片分割的张数张数；
(3.5)、计算loss函数值；
在选取的patch中，计算人工分割后的参考图...

【专利技术属性】
技术研发人员：郑文锋，杨波，徐思源，刘珊，曾庆川，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51