一种基于深度学习的医学图像分割方法技术

本发明专利技术属于图像分割技术领域，涉及一种基于深度学习的医学图像分割方法,先在编码器和解码器阶段使用新型的卷积模块，其次再设计一个包含注意力机制的残差瓶颈结构，用在跳层连接上，一方面减少编码器和解码器之间的语义差异，另一方面是使得神经网络在训练过程中能更加注意要分割的目标区域，从而能够提取更加精细的语义特征；其方法简单，能够更好的识别模糊的边界，分割出来的图像效果更加连贯，抵抗噪声干扰能力强，具有很强的泛化能力。

【技术实现步骤摘要】
一种基于深度学习的医学图像分割方法
:本专利技术属于图像分割
，涉及一种基于深度学习的医学图像分割方法,利用深度学习技术做医学图像分割的方法。
技术介绍
:在图像分割领域的早期，大都是基于图论或者是像素聚类的方法，也诞生了很多经典的算法诸如K-Means算法。在医学图像方面，往往都是基于边缘检测和模版匹配的，比如利用Hough变换进行视盘分割。然而，医学图像通常来源于不同的成像技术，例如计算机断层扫描(CT)，X-ray，和磁共振成像(MRI)，所以当对大量数据进行测试时，这些方法未能保持健壮性。深度学习技术出现以后，便在一定程度上解决了传统图像分割方法中语义信息缺失的问题，而且单个模型也可以有效的应用于不同的医学成像方式。目前在这一领域，U-Net是最受欢迎也是最为经典的架构。但是，连续的池化操作可能会导致某些空间信息的丢失，而且卷积层中的卷积核尺度过于单一，无法提取更加精细的语义特征,这使得U-Net在一些实际的医学图像分割场景中，容易受到噪声的干扰，从而忽略一些细节部分，例如CN201910158251.5公开了一种基于深度学习的脑瘤医学图本文档来自技高网...

【技术保护点】
1.一种基于深度学习的医学图像分割方法，其特征在于实现医学图像分割的具体过程为：/n(1)获取医学图像，数量要求15张以上，每一张医学图像均配有一张分割掩码，用作模型训练时使用的标签图像，并对原始的医学图像和标签图像进行预处理，调整分辨率使其图像的宽为256，高为192；/n(2)构建多尺度语义卷积模块MS Block，多尺度语义卷积模块MS Block包含四个分支，第一个分支为3x3的卷积，第二个分支为连续两个3x3的卷积，用以替代一个5x5的卷积，以达到相同的感受野，第三个分支有3个3x3的卷积，与7x7的卷积核的感受野的相同，第一、二、三个分支均有一个附带1x1卷积的残差边，用于弥补池化...

【技术特征摘要】
1.一种基于深度学习的医学图像分割方法，其特征在于实现医学图像分割的具体过程为：
(1)获取医学图像，数量要求15张以上，每一张医学图像均配有一张分割掩码，用作模型训练时使用的标签图像，并对原始的医学图像和标签图像进行预处理，调整分辨率使其图像的宽为256，高为192；
(2)构建多尺度语义卷积模块MSBlock，多尺度语义卷积模块MSBlock包含四个分支，第一个分支为3x3的卷积，第二个分支为连续两个3x3的卷积，用以替代一个5x5的卷积，以达到相同的感受野，第三个分支有3个3x3的卷积，与7x7的卷积核的感受野的相同，第一、二、三个分支均有一个附带1x1卷积的残差边，用于弥补池化过程中丢失的部分语义信息；第四个分支为一个1x1大小的卷积核；
(3)多尺度语义卷积模块MSBlock的第一分支、第二分支、第三分支、第四分支将输入图像进行处理得到相应的特征图，假设输入图像的通道数是W，则第一个分支的卷积核个数为第二个分支的卷积核个数为第三个分支的卷积核个数为将第一、二、三个分支的特征图在通道的方向直接合并在一起拼接起来得到的通道数为W的新特征图，然后将新特征图与第四个分支的特征图的对应像素点做逐点加法运算，得到多尺度语义卷积模块MSBlock的输出图D；
(4)建立由残差瓶颈模块和注意力机制模块组成的RBAttention结构，将步骤(3)得到的输出...

【专利技术属性】
技术研发人员：李英，梁宇翔，李志云，张宏利，朱琦，李书达，
申请(专利权)人：青岛大学，
类型：发明
国别省市：山东;37