一种基于多角度U-Net的医学图像分割方法技术

一种基于多角度U‑Net的医学图像分割方法，包括以下步骤：步骤1、获取对应分割图像的数据集，进行预处理；步骤2、生成待训练样本；步骤3、搭建多角度U‑Net网络模型，使用步骤2中生成的训练样本训练该网络模型；然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标三维图像。本发明专利技术的多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积的优点，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题，在训练更深网络的同时，又能保证良好的性能。本发明专利技术实现对医学图像的自动、准确描述。

【技术实现步骤摘要】
一种基于多角度U-Net的医学图像分割方法
本专利技术涉及图像处理领域、尤其是一种基于深度学习的医学图像分割方法。
技术介绍
医学图像分割问题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，因此备受关注。现有的医学图像分割方法可以分为两种，一种是传统人工分割算法，其包括阈值法分割、基于模糊均值聚类的分割以及基于模型的分割等，这些方法虽然也具有较高性能，但是，这些方法不仅费时费力，而且严重依赖于专家的专业知识和经验，而且存在主观差异。另一种则是以深度学习为代表的分割算法，这种算法因为其在医学图像分割上体现的强大性能，使得基于深度学习的医学图像分割的相关研究迅速增长。自Ronneberger等人于2015年提出U-Net网络以来，以U-Net为代表的神经网络在医学图像分割领域大放光彩，这是一个带有下采样层和上采样层的特殊的卷积神经网络。然而，由于U-Net网络是进行二维输入的，而医学图像往往是三维图像，因此利用U-Net网络进行训练会丢失原始数据在空间上的信息，使得图像分割精度始终达不到较高水准。由AhmedAbdulkadir等人于本文档来自技高网...

【技术保护点】
1.一种基于多角度U-Net的医学图像分割方法，其特征在于，所述方法包括以下步骤：/n步骤1，图像预处理：训练集中原始图像经过空间重采样、灰度值归一化等过程，生成对应的身体组织以及背景图像；然后，通过裁剪上步生成的图像以及对应该图像的标签，得到包含目标组织的最小非0区域；/n步骤2，生成训练样本：利用给定的patch size将步骤1中生成的最小非0区域裁剪为固定尺寸的patch，同时，以不同概率提取patch作为训练样本；/n步骤3，训练网络模型：搭建多角度U-Net网络模型，使用步骤2中生成的训练样本训练该网络模型，生成对应模态的目标三维图像。/n

【技术特征摘要】
1.一种基于多角度U-Net的医学图像分割方法，其特征在于，所述方法包括以下步骤：
步骤1，图像预处理：训练集中原始图像经过空间重采样、灰度值归一化等过程，生成对应的身体组织以及背景图像；然后，通过裁剪上步生成的图像以及对应该图像的标签，得到包含目标组织的最小非0区域；
步骤2，生成训练样本：利用给定的patchsize将步骤1中生成的最小非0区域裁剪为固定尺寸的patch，同时，以不同概率提取patch作为训练样本；
步骤3，训练网络模型：搭建多角度U-Net网络模型，使用步骤2中生成的训练样本训练该网络模型，生成对应模态的目标三维图像。


2.如权利要求1所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述步骤3中的多角度U-Net网络，是将多角度卷积模块作为卷积层，多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题。<...

【专利技术属性】
技术研发人员：赵昶辰，赵志明，冯远静，韩蔚然，居峰，梅培义，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33