多尺度双通道卷积模型训练方法、图像处理方法及装置制造方法及图纸

本申请公开了一种多尺度双通道卷积模型训练方法、肿瘤分割方法及装置，该多尺度双通道卷积模型训练方法包括：获取输入图像；对输入图像进行两次卷积处理，并将处理后的输入图像进行双通道上采样处理，得到第一图像和第二图像；分别对第一图像和第二图像进行两次卷积处理和一次最大池化处理，将处理过的第一图像和第二图像进行融合，得到卷积图像；对特征图像与输入图像进行多比例缩放融合，并对融合后的图像进行两次卷积处理，得到特征图像；其中特征图像包括输入图像的特征信息。通过上述卷积层对图像进行图像进行卷积处理，能提取更多的特征信息，并避免了特征信息的丢失。并避免了特征信息的丢失。并避免了特征信息的丢失。

【技术实现步骤摘要】
多尺度双通道卷积模型训练方法、图像处理方法及装置


[0001]本专利技术涉及图像分割
，特别是涉及一种多尺度双通道卷积模型训练方法、图像处理方法及装置。

技术介绍

[0002]结直肠肿瘤是消化道的常见恶性肿瘤，大肠肿瘤的准确定位在适当治疗方案的诊断和设计中起着至关重要的作用。目前治疗结直肠肿瘤的手段通常是通过肿瘤切除、放射治疗等。想要进行精确的肿瘤切除，不仅要借助科学技术的手段去显示肿瘤的位置，大小和形状等信息，还需要具有丰富的临床经验的专业医生去诊断。与计算机断层扫描(CT)，单光子发射计算机断层扫描(SPECT)和正电子发射断层扫描(PET)等成像技术相比，磁共振成像(MRI)可以提供更加准确的结直肠肿瘤的形状，大小和位置等信息。目前在实际的临床工作中，主要通过专业的医生手动标注肿瘤区域，医生手工标注是一个及费力又费时的工作。需要标注医师有丰富的标注经验，因为每个人的肿瘤形状复杂多变。同时由于人工手动勾画往往会带有个人的主观意识，会造成一定的偏差，导可能会致误诊及漏诊的情况。
[0003]手动分割技术要求医生具有丰富的勾画经验和高超的医学学术水平。如果手动分割结直肠肿瘤的医生经验不足，就不能得到准确的分割结果。即使是经验丰富的医生也会带有个人主观意识，对同一幅图像的病灶区域多次勾画的结果也可能不同，其一致性和可重复性是难以得到保证的，分割的精度不准确会对医生的诊断和治疗规划的设定造成不良的影响。所以为了获得更加精准的分割结果，必然需要科学技术的辅助。因此，研究者们就开始研究一种全自动的、不依赖医生主观意识的、精度高的医疗图像分割方法，这样不仅可以提高肿瘤分割结果的精度，使医生更好的对病人诊断，同时也可以减轻医生的工作量，也为病人争取到了更多的治疗时间，促进了现代化医疗的进一步发展。
[0004]医学图像分析是利用深度学习算法对MRI(核磁共振成像)检测的医学图像进行病灶检测和图像分割的技术。

技术实现思路

[0005]本申请主要解决的技术问题是提供一种多尺度双通道卷积模型训练方法、图像处理方法及装置，是利用深度学习算法MRI(核磁共振成像)检测的医学图像进行病灶检测和图像分割的技术，以提高对肿瘤分割的精确度。
[0006]为解决上述问题，本申请提供了一种多尺度双通道卷积模型训练方法，包括：获取输入图像；对输入图像进行两次卷积处理，并将处理后的输入图像进行双通道上采样处理，得到第一图像和第二图像；分别对第一图像和第二图像进行两次卷积处理和一次最大池化处理，将处理过的第一图像和第二图像进行融合，得到卷积图像；对特征图像与输入图像进行多比例缩放融合，并对融合后的图像进行两次卷积处理，得到特征图像，特征图像包括输入图像的特征信息。
[0007]其中，对卷积图像与输入图像进行多比例缩放融合，并对融合后的图像进行两次
卷积处理，得到特征图像的步骤之前还包括：将卷积图像调整到与输入图像相同大小；使用残差网络对调整后的特征图像与输入图像进行多比例缩放融合，得到特征图像。
[0008]其中，对输入图像进行两次卷积处理，并将处理后的图像进行双通道上采样处理，得到第一图像和第二图像的步骤包括：对输入图像进行两次卷积处理，收集输入图像的全局信息；对处理后的输入图像进行对称上采样处理，得到第一图像和第二图像；其中，第一图像和第二图像的分辨率相同，第一图像和第二图像的分辨率是输入图像的分辨率的两倍。
[0009]其中，对特征图像与输入图像进行多比例缩放融合，并对融合后的图像进行两次卷积处理，得到特征图像的步骤包括：对特征图像的特征信息与输入图像的特征信息进行融合，并对特征融合后的图像进行两次卷积处理，得到特征图像；其中，特征图像包括输入图像的特征信息。
[0010]本申请还提供一种肿瘤分割方法，分割方法包括：获取上述任一实施例的多尺度双通道卷积模型；将采集到的初始图像作为输入图像输入到多尺度双通道卷积模型中进行多次多尺度卷积处理，得到特征图像；其中，特征图像包括初始图像的特征信息；对特征图像进行两次单通道卷积处理，得到底层特征图像；对底层特征图像进行反卷积处理，得到反卷积图像，其中，反卷积图像包括特征图像的特征信息；对反卷积图像进行概率输出处理得到分割图像。
[0011]其中，将采集到的初始图像作为输入图像输入到多尺度双通道卷积模型中进行多次多尺度卷积处理，得到特征图像的步骤包括：将下采样处理之后的特征图像作为输入图像输入到多尺度双通道卷积模型中进行处理，得到第一特征图像；其中，第一特征图像包括初始图像的特征信息；对第一特征图像进行下采样处理；将下采样处理之后的第一特征图像作为输入图像输入到多尺度双通道卷积模型中进行处理，得到第二特征图像；其中，第二特征图像包括第一特征图像的特征信息；对第二特征图像进行下采样处理；将下采样处理之后的第二特征图像作为输入图像输入到多尺度双通道卷积模型中进行处理，得到第三特征图像；其中，第三特征图像包括第二特征图像的特征信息；对第三特征图像进行下采样处理；将进行下采样处理之后的第三特征图像作为输入图像输入到多尺度双通道卷积模型中进行处理，得到第四特征图像；其中，第四特征图像包括第三特征图像的特征信息。
[0012]其中，对底层特征图像进行反卷积处理，得到反卷积图像，其中，反卷积图像包括特征图像的特征信息的步骤之间还包括：对底层特征图像进行上采样处理；对底层特征图像进行反卷积处理，得到反卷积图像，其中，反卷积图像包括特征图像的特征信息的步骤包括：将上采样处理后的底层特征图像与第四特征图像进行融合处理，并进行两次反卷积处理，得到第四反卷积图像；对第四反卷积图像进行上采样处理；将上采样处理后的第四反卷积图像与第三特征图像进行融合处理，并进行两次反卷积处理，得到第三反卷积图像；对第三反卷积图像进行上采样处理；将上采样处理后的第三反卷积图像与第二特征图像进行融合处理，并进行两次反卷积处理，得到第二反卷积图像；对第二反卷积图像进行上采样处理；将上采样处理后的第二反卷积图像与第一特征图像进行融合处理，并进行两次反卷积处理，得到第一反卷积图像。
[0013]其中，使用损失函数对卷积处理进行优化，其中，损失函数为：
[0014]Loss
FL
(p
t
)＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t
)
[0015][0016]其中，y∈{
‑
1,+1},p
t
∈{0,1}是标签y＝1的类别的估计概率，γ为聚焦参数，平滑地调整了简单示例的权重。
[0017]本申请还提供了一种计算机可读存储介质，包括：计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施方式的多尺度双通道卷积模型训练方法中的步骤或上述任一实施方式的肿瘤分割方法中的步骤。
[0018]本申请的有益效果是：通过将获取到的初始图像经过两个连续的卷积处理之后，再经由两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度双通道卷积模型训练方法，其特征在于，所述多尺度双通道卷积模型训练方法包括：获取输入图像；对所述输入图像进行两次卷积处理，并将处理后的所述输入图像进行双通道上采样处理，得到第一图像和第二图像；分别对所述第一图像和所述第二图像进行两次卷积处理和一次最大池化处理，将处理过的所述第一图像和所述第二图像进行融合，得到卷积图像；对所述卷积图像与所述输入图像进行多比例缩放融合，并对融合后的图像进行两次卷积处理，得到特征图像；其中所述特征图像包括输入图像的特征信息。2.根据权利要求1所述的多尺度双通道卷积模型训练方法，其特征在于，所述对所述卷积图像与所述输入图像进行多比例缩放融合，并对融合后的图像进行两次卷积处理，得到特征图像的步骤之前还包括：将所述卷积图像调整到与所述输入图像相同大小；使用残差网络对调整后的所述特征图像与所述输入图像进行多比例缩放融合，得到所述特征图像。3.根据权利要求1所述的多尺度双通道卷积模型训练方法，其特征在于，所述对所述输入图像进行两次卷积处理，并将处理后的所述输入图像进行双通道上采样处理，得到第一图像和第二图像的步骤包括：对所述输入图像进行两次卷积处理，收集所述输入图像的全局信息；对处理后的所述输入图像进行对称上采样处理，得到所述第一图像和所述第二图像；其中，所述第一图像和所述第二图像的分辨率相同，所述第一图像和所述第二图像的分辨率是所述输入图像的分辨率的两倍。4.根据权利要求1所述的多尺度双通道卷积模型训练方法，其特征在于，所述对所述卷积图像与所述输入图像进行多比例缩放融合，并对融合后的图像进行两次卷积处理，得到特征图像的步骤包括：对所述卷积图像的特征信息与所述输入图像的特征信息进行融合，并对特征融合后的图像进行两次卷积处理，得到特征图像；其中，所述特征图像包括所述输入图像的特征信息。5.一种应用于肿瘤分割的图像处理方法，其特征在于，所述图像处理方法包括：获取如权利要求1～4中任一项所述的多尺度双通道卷积模型训练方法；将采集到的所述初始图像作为输入图像输入到所述多尺度双通道卷积模型中进行多次多尺度卷积处理，得到特征图像；其中，所述特征图像包括所述初始图像的特征信息；对所述特征图像进行两次单通道卷积处理，得到底层特征图像；对所述底层特征图像进行反卷积处理，得到反卷积图像，其中，所述反卷积图像包括所述特征图像的特征信息；对所述反卷积图像进行概率输出处理得到分割图像。6.根据权利要求5所述的图像处理方法，其特征在于，所述将采集到的所述初始图像作为输入图像输入到所述多尺度双通道卷积模型中进行多次多尺度卷积处理，得到特征图像的步骤包括：
将下采样处理之后的所述特征图像作为输入图像输入到多尺度双通道卷积模型中进行处理，得到第一特征图像；其中，所述第一特征图像包括所述初始图像的特征信息；对所述第一特征图像进行下采样处理；将下采样处理之后的所述第一特征图像作为输入图像输入到多尺度双通道卷积模型中进行处理，得到第二特征图像；其中，所述第二特征图像包括所述第一...

【专利技术属性】
技术研发人员：贾富仓，郑绥昌，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：