【技术实现步骤摘要】
一种基于边缘关注策略的肝脏影像语义分割方法
本专利技术涉及医学影像语义分割方法,特别是涉及一种基于边缘关注策略的肝脏影像语义分割方法。
技术介绍
肝脏是身体内以代谢功能为主的一个器官,是人体内脏里最大的器官。当前,对于关于肝脏疾病的诊断中,肝脏部位的核磁共振检查是最常见的。而对于疾病的分析的主要判断首先是要对大量连续肝脏部位的准确识别,而这其中会出现一些难以避免的问题,比如受主观经验,认知能力,疲劳等因素的影响。计算机医学图像识别有助于提高识别的准确率和稳定性。最近几年深度学习技术在处理多种计算机视觉任务上取得了巨大的进展,尤其是处理图像分类和目标检测问题的卷积神经网络(ConvolutionNeuralNetwork,CNN),越来越多的研究者用CNN以及其衍生出来的各种深度神经网络来处理各种图像问题,其中就包括了图像语义分割。图像语义分割(SemanticSegmentation)是一种从预定义的一组类中对图像中的每个像素进行分类的方法,而预定义的一组类就是具有特定语义类别属性的一片区域。对于医学领域的语义分割,最经典是Unet和Vnet,此网络是在FCN(FullyConvolutionalNetworksforSemanticSegmentation)的基础上根据医学映像的特点进行改进,两个网络的特点都是类似U型结构,且都是通过skip-connection将前后对应的stage进行特征的融合;区别是UNet是处理二维数据,VNet是处理三维数据的,后来有学者在此基础上做了改进。例如UNet+ ...
【技术保护点】
1.一种基于边缘关注策略的肝脏影像语义分割方法,其特征在于,包括如下步骤:/nS1、原始数据集的格式转换;/nS2、肝脏影像数据的预处理;/nS3、分析肝脏影像的边缘特征并设计Encoder-Decoder深度学习框架模型,所述Encoder-Decoder深度学习框架模型包括编码阶段和解码阶段;/nS4、在编码阶段,利用ResNet34残差网络和边缘关注策略模块得到边缘注意图;/nS5、在解码阶段,利用反卷积和边缘关注策略模块进行特征的提取以及分割图像的生成;/nS6、对语义分割后的图像进行降噪处理。/n
【技术特征摘要】
1.一种基于边缘关注策略的肝脏影像语义分割方法,其特征在于,包括如下步骤:
S1、原始数据集的格式转换;
S2、肝脏影像数据的预处理;
S3、分析肝脏影像的边缘特征并设计Encoder-Decoder深度学习框架模型,所述Encoder-Decoder深度学习框架模型包括编码阶段和解码阶段;
S4、在编码阶段,利用ResNet34残差网络和边缘关注策略模块得到边缘注意图;
S5、在解码阶段,利用反卷积和边缘关注策略模块进行特征的提取以及分割图像的生成;
S6、对语义分割后的图像进行降噪处理。
2.根据权利要求1所述的基于边缘关注策略的肝脏影像语义分割方法,其特征在于,步骤S1中,将原始的医学dicom数据通过python转换成可视jpeg图像。
3.根据权利要求1所述的基于边缘关注策略的肝脏影像语义分割方法,其特征在于,所述步骤S2具体包括如下:
S21、分析肝脏影像中肝脏部位的边缘特征,并采用labelme进行数据标注得到json文件;
S22、将得到的json文件通过python进行掩码图的生成;
S23、划分训练集和测试集。
4.根据权利要求1所述的基于边缘关注策略的肝脏影像语义分割方法,其特征在于,所述步骤S4具体包括如下:
S41、设置网络初始参数,所述网络初始参数至少包括批处理大小、学习率、动量、最大迭代次数、权重衰减率和γ参数;
S42、加载在ImageNet上预训练好的ResNet34残差网络,并初始化网络权重和偏差参数;
S43、将原图像输入到ResNet34残差网络,进行训练得到若干特征信息,并在每一层的输出加上边缘关注策略模块,所述边缘关注策略模块用于进一步获取肝脏边缘特征信息;
S44、从边缘关注策略模块中的得到的特征信息图继续传递给下一层,此时图像的大小缩小一倍,通道数增加一倍;
S45、按照步骤S44循环,直到图像大小变为16×16,最终得到含有肝脏影像边缘特征信息的边缘注意图。
5.根据权利要求4所述的基于边缘关注策略的肝脏影像语义分割方法,其特征在于,所述步骤S5具体包括如下:
S51、在解码阶段,将步骤S4得到的边缘注意图进行反卷积,反卷积的变换公式如下:
(o+2p-k)%s=0(1)
此时反卷积的输入输出尺寸关系为:
o=s(i-1)-2p+k(2)
式(1)和(2)中,o代表输出的尺寸大小,p代表填充的大小,s代表卷积核移动的步长,i代表输入的尺寸大小,k代表卷积核的尺寸大小;
S52、利用在编码阶段中每层最后一次卷积得到的结果与步骤S51反卷积的结果,分别作为低层特征和高层特征来通过边缘关注策略模块进行训练;
S53、在边缘关注策略模块中,分别有低层特征输入和高层特征输...
【专利技术属性】
技术研发人员:张晓龙,佘玉龙,邓春华,程若勤,何新宇,
申请(专利权)人:武汉科技大学,
类型:发明
国别省市:湖北;42
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。