一种基于卷积神经网络的医学图像分割方法及装置制造方法及图纸

本申请公开一种基于卷积神经网络的医学图像分割数据增强方法及装置，该方法包括：对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；将原始图像和边缘增强的原始图像合并生成多通道图像数据；将获得的多通道图像数据作为输入数据输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得卷积神经网络模型参数，以实现对待测图像按照所述标注数据的类型进行分割。用于解决相关技术中由于训练样本数量不足导致的网络泛化性能降低，从而导致网络模型测试误差较大甚至失真的问题。

【技术实现步骤摘要】
一种基于卷积神经网络的医学图像分割方法及装置
本专利技术涉及医学图像分割
，具体是一种基于卷积神经网络的医学图像分割方法及装置。
技术介绍
卷积神经网络（ConvolutionalNeuralNetworks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析图像数据。卷积神经网络主使用由卷积层和池化层进行特征提取和图像大小的压缩。下面以U－net网络为例对卷积神经网络在医学图像分割过程中的应用进行说明：是一种卷积神经网络；是在全卷积神经网络（FCN）的基础上发展出来的；能够有效分割目标图像要素的网络。U－net网络在拟合的过程中，需要计算出每一个神经元的权重（weight）和偏置（bias）两个参数。为了拟合这些参数，需要大量的样本进行网络的训练。其中每一组样本均包含了输入的原始图像和网络要拟合的标注数据。神经网络的模型具有两种模式：训练模式(Train)和评估模式(Eval)。在训练模式中，将数据一组一组的放入网络模型进行训练，模型中的参数随着训练能越来越好的反映出输入到输出的变化过程。在样本量足够的情况下，网络模型的评价函数(Loss)逐渐收敛时，通常代表网络获得了稳定的训练结果。这时模型的训练就完成了。在评估模式中，模型的参数不再变动。输入未经标注的图像数据，经过训练完成的模型的计算可以得到拟合的结果。卷积神经网络的训练依赖于大量的图像数据和标注数据，而在数据量不足的情况下，网络的泛化性能会受到影响。
技术实现思路
本申请提供一种基于卷积神经网络的医学图像分割方法及装置，用于克服现有技术中在训练样本数据量不足的情况下，导致网络的泛化性能会受到影响；实现在样本量较少的情况下提升模型的准确率并缓解过拟合的产生。为实现上述目的，第一方面，本申请提供一种基于卷积神经网络的医学图像分割数据增强方法，包括：对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；将原始图像和边缘增强的原始图像合并生成多通道图像数据；将获得的多通道图像数据作为训练样本输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得训练的卷积神经网络；通过训练的卷积神经网络对待测图像进行测试以实现对待测图像按照所述标注数据的类型进行分割。通过采用上述的技术方案，在能作为训练样本的数据量较少、训练样本中能被网络模型提取的有效特征信息不足的情况下，通过在训练样本中增加一部分人工特征及边缘信息可以增加每一个数据样本的特征信息，进而提升网络的泛化性能，实现降低网络拟合需要的样本量的技术效果。优选的，上述方法还包括：将待测图像进行边缘增强处理，获得边缘增强的待测图像；将待测图像和边缘增强的待测图像合并生成多通道图像数据；将获得的多通道图像数据输入训练获得的卷积神经网络中进行拟合，获得分割图像。通过采用上述的技术方案，基于要保持出入数据和网络训练时的一致性，将待测图像（未标注，通过训练模型自动生成标注图像）同样进行边缘增强处理，并与待测图像合并生成多通道图像数据输入上一步骤中训练完成的卷积神经网络中进行轮廓拟合，由于卷积神经网络模型的各参数均通过上述训练步骤训练获得，由此可直接按照上述训练过程中标注的类型对待测图像进行分割并输出分割完成的图像；相对于相关技术，由于训练过程中提高了网络模型的泛化性能，对于待测图像的识别性能更高，输出的分割图像与标注图像之间的误差大大减小；此外相对单独将待测图像输入训练的模型中进行轮廓拟合，由于增加了多通道边缘增强图像，有利于模型拟合过程中提取边缘信息，从而能提升测试的拟合速度和准确性。优选的，所述对获取的原始图像进行边缘增强处理，获得边缘增强图像的步骤包括：分别采用Laplacian、Scharr和/或Canny边缘增强算法对获取的原始图像进行边缘增强处理，获得多个边缘增强的原始图像；所述将待测图像进行边缘增强处理，获得边缘增强的待测图像的步骤包括：分别采用Laplacian、Scharr和/或Canny边缘增强算法对获取的待测图像进行边缘增强处理，获得多个边缘增强的待测图像。通过采用上述的技术方案，分别对原始图像或待测图像进行边缘增强处理，能够高效、快速地获得图像清晰的边缘信息，有利于提升图像分割的速度和有效信息特征的输入。优选的，所述原始图像及待测图像均为脑血管图像或均为心血管图像。通过采用上述的技术方案，通过实验模拟获得的网络模型泛化性能更为优异，对不同输入数据的稳定性能较佳。优选的，所述卷积神经网络模型为多输入通道的U－net网络分割模型。通过采用上述的技术方案，主使用由卷积层和池化层进行特征提取和图像大小的压缩，实现了对医学图像分割的卓越性能，有效分割目标图像要素。优选的，所述将原始图像和边缘增强的原始图像合并生成多通道图像数据的步骤包括：获取n个尺寸和形状均相同的原始图像样本xi，n个原始图像样本xi构成的原始训练集V1train表示如下：V1train＝{x1,x2,x3,…,xn}xi为一个大小为r×r的图像样本，原始训练集的样本个数为n；i∈[1,n]，n为正整数；r为像素值；对任一原始图像样本xi进行第j次边缘增强获得边缘增强的原始图像样本xij，对n个原始图像样本xi分别进行m次边缘增强获得的m×n个边缘增强的原始图像样本xij，m×n个边缘增强的原始图像样本xij构成的增强训练集/测试集V2train表示如下：V2train＝{xi1,…,xim}xij为一个大小为r×r的边缘增强的原始图像样本，增强训练集的样本个数为n×m；i∈[1,n]，j∈[1,m]，m为正整数；原始训练集V1train与增强训练集V2train合并形成的训练集Vtrain表示如下：Vtrain=V1train+V2train={x1,x2,x3,…,xn}+{x1,x2,x3,…,xn}1+…+{x1,x2,x3,…,xn}m={(x1,x11,x12,…,x1m),(x2,x21,x22,…,x2m),(x3,x31,x32,…,x3m),…,(xn,xn1,xn2,…,xnm)}(xi,xi1,xi2…,xim)形成一个m+1通道图像样本，训练集Vtraint的样本个数为n；训练集Vtrain生成m+1通道图像数据；所述将待测图像和边缘增强的待测图像合并生成多通道图像数据的步骤包括：获取n个尺寸和形状均相同的待测图像样本yi，n个待测图像样本yi构成的原始测试集V1test表示如下：V1test＝{y1,y2,y3,…,yw}yi为一个大小为r×r的图像样本，原始测试集的样本个数为w；i∈[1,w]，w为正整数；对任一待测样本yi进行第j次边缘增强获得边缘增强的待测图像样本yij，对w个待测样本yi分别进行m次边缘增强获得的m×n个边缘增强的待测图像样本yij，本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的医学图像分割数据增强方法，其特征在于，包括：/n对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；/n将原始图像和边缘增强的原始图像合并生成多通道图像数据；/n将获得的多通道图像数据作为训练样本输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得卷积神经网络训练模型；/n通过卷积神经网络训练模型对待测图像进行测试以实现对待测图像按照所述标注数据的类型进行分割。/n

【技术特征摘要】
1.一种基于卷积神经网络的医学图像分割数据增强方法，其特征在于，包括：
对获取的原始图像进行边缘增强处理，获得边缘增强的原始图像；
将原始图像和边缘增强的原始图像合并生成多通道图像数据；
将获得的多通道图像数据作为训练样本输入卷积神经网络模型，将原始图像的标注数据作为卷积神经网络模型拟合的目标，对卷积神经网络模型进行训练，获得卷积神经网络训练模型；
通过卷积神经网络训练模型对待测图像进行测试以实现对待测图像按照所述标注数据的类型进行分割。


2.根据权利要求1所述的基于卷积神经网络的医学图像分割数据增强方法，其特征在于，所述通过卷积神经网络训练模型对待测图像进行测试以实现对待测图像按照所述标注数据的类型进行分割的步骤包括：
将待测图像进行边缘增强处理，获得边缘增强的待测图像；
将待测图像和边缘增强的待测图像合并生成多通道图像数据；
将获得的多通道图像数据输入卷积神经网络训练模型中进行拟合，获得分割图像。


3.根据权利要求2所述的基于卷积神经网络的医学图像分割数据增强方法，其特征在于，所述对获取的原始图像进行边缘增强处理，获得边缘增强图像的步骤包括：
分别采用Laplacian、Scharr和/或Canny边缘增强算法对获取的原始图像进行边缘增强处理，获得多个边缘增强的原始图像；
所述将待测图像进行边缘增强处理，获得边缘增强的待测图像的步骤包括：
分别采用Laplacian、Scharr和/或Canny边缘增强算法对获取的待测图像进行边缘增强处理，获得多个边缘增强的待测图像。


4.根据权利要求2所述的基于卷积神经网络的医学图像分割数据增强方法，其特征在于，所述原始图像及待测图像均为脑血管图像或均为心血管图像。


5.根据权利要求2所述的基于卷积神经网络的医学图像分割数据增强方法，其特征在于，所述卷积神经网络模型为多输入通道的U－net网络分割模型。


6.根据权利要求5所述的基于卷积神经网络的医学图像分割数据增强方法，其特征在于，所述将原始图像待测图像和边缘增强原始图像合并生成多通道图像数据的步骤包括：
获取n个尺寸和形状均相同的原始图像样本xi，n个原始图像样本xi构成的原始训练集V1train表示如下：
V1train＝{x1,x2,x3,…,xn}
xi为一个大小为r×r的图像样本，原始训练集的样本个数为n；i∈[1,n]，n为正整数；r为像素值；
对任一原始图像样本xi进行第j次边缘增强获得边缘增强的原始图像样本xij，对n个原始图像样本xi分别进行m次边缘增强获得m×n个边缘增强的原始图像样本xij，m×n个边缘增强的原始图像样本xij构成的增强训练集V2train表示如下：
V2train＝{xi1,…,xim}
xij为一个大小为r×r的边缘增强的原始图像样本，增强训练集的样本个数为n×m；i∈[1,n]，j∈[1,m]，m为正整数；
原始训练集V1train与增强训练集V2train合并形成的训练集Vtrain表示如下：
Vtrain=V1train+V2train
={x1,x2,x3,…,xn}+{x1,x2,x3,…,xn}1+…+{x1,x2,x3,…,xn}m
={(x1,x11,x12,…,x1m),(x2,x21,x22,…,x2m),(x3,x31,x32,…,x3m),…,(xn,xn1,xn2,…,xnm)}
(xi,xi1,xi2…,xim)形成一个m+1通道图像样本，训练集Vtraint的样本个数为n；训练集Vtrain生成m+1通道图像数据；
所述将待测图像和边缘增强的待测图像合并生成...

【专利技术属性】
技术研发人员：张娜，郑海荣，刘新，申帅，胡战利，梁栋，李烨，邹超，贾森，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44