一种适用于移动应用的小巧医学影像病灶分割方法技术

一种适用于移动应用的小巧医学影像病灶分割方法，首先训练得到准确率较高的第一网络，然后将医学图像输入至第二网络和训练好的第一网络，对第一网络中间层的特征图特征精炼、边缘特征推理，将第一网络中和标签中丰富的边缘信息，通过投影、建图、推理的过程提取抽象的图信息；本发明专利技术通过特征精炼和边缘特征推理，将内在知识传递到第二网络，可使第二网络结果更加优秀，进而提升最终分割的性能，得到的第二网络，将待检测医学影像输入至已训练完成的第二网络中，得到病灶分割结果。本发明专利技术分割精确度高，体积小，特别适合部署在移动应用中。中。中。

【技术实现步骤摘要】
一种适用于移动应用的小巧医学影像病灶分割方法


[0001]本专利技术属于医疗图像处理领域，尤其涉及了一种适用于移动应用的小巧医学影像病灶分割方法。

技术介绍

[0002]全卷神经网络(FCN)的出现为语义分割打开了新的大门，所使用的上采样方法和并联跳跃结构一度成为语义分割的主流。在FCN之后，Unet网络结构利用网络集成、测试时间扩充、数据对称性开发和低质量注释的增强等方法对医学影像进行精确分割。在此之后，对于医学图像分割的模型大都是类似Unet模型的解码器
‑
编码器的结构。尽管越来越多的模型医学图像分割的准确度上不断提高，但同时也带来了模型计算复杂度不断提高，模型的参数量越来越大，运算速度慢，运行消耗内存巨大等问题，使得模型难以在移动应用平台上部署。
[0003]专利标题，基于轻量级全卷积神经网络的医学图像分割方法，申请号为CN111489364A，申请日期为2020.04.08；专利首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法训练方法；最后，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络。
[0004]专利标题，一种基于深度学习的医学图像分割方法，申请号CN 112150428A，申请日期为2020.09.18；专利,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。

技术实现思路

[0005]为了克服已有技术的不足，本专利技术提供了一种适用于移动应用的医学影像病灶分割方法，用以克服现有技术在进行病灶区域分割时，运算复杂、参数量庞大，难以部署在移动终端上等问题。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种适用于移动应用的小巧医学影像病灶分割方法，所述适用于移动应用的小巧医学影像病灶分割方法包括以下步骤：
[0008]步骤S1、将医学影像样本输入已构建且训练后的第一网络中，得到第一特征图列表Feats
T
；
[0009]步骤S2、将医学影像样本输入已构建的第二网络中，得到第二特征图列表Feats
S
和当前病灶分割结果
[0010]步骤S3、将第一特征图列表Feats
T
和第二特征图列表Feats
S
进行深度特征提炼，得到深度特征提炼损失L
feat
；
[0011]步骤S4、将第一特征图列表Feats
T
中的底层特征图边缘信息标签Label
edge
和第二特征图列表Feats
S
中的底层特征图进行边缘信息推理提炼，得到边缘推理提炼损失L
edge
；
[0012]步骤S5、将病灶分割标签Label
seg
和当前病灶分割结果进行二分类交叉熵函数计算得到病灶分割损失L
seg
；
[0013]步骤S6、将L
feat
、L
edge
、L
seg
三种损失函数加权求和，得到总的损失函数L
total
，将L
total
进行反向传播，迭代更新第二网络内的参数，直至第二网络收敛；
[0014]步骤S7、将待检测医学影像输入至已训练完成的第二网络中，得到病灶分割结果。
[0015]进一步，所述步骤S1中，所述第一网络包括一个编码器和一个解码器；
[0016]所述第一网络的编码器由一个7
×
7的二维卷积操作和四个残差模块7的二维卷积操作和四个残差模块组成；所述由3个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成，所述由4个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成，所述由6个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成，所述由3个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成；
[0017]所述第一网络的解码器由四个卷积块组成，其中每个卷积块包含两个3
×
3卷积操作。
[0018]再进一步，将医学影像样本输入已构建且训练后的第一网络中，得到第一特征图列表Feats
T
，过程如下：
[0019]步骤1.1、将医学影像样本经过第一网络的编码器的3
×
3的二维卷积操作，得到特征图
[0020]步骤1.2、特征图池化后经过残差模块得到特征图
[0021]步骤1.3、特征图经过残差模块得到特征图
[0022]步骤1.4、特征图经过残差模块得到特征图
[0023]步骤1.5、特征图经过残差模块得到特征图
[0024]步骤1.6、特征图经过卷积块后得到特征图
[0025]步骤1.7、特征图经过卷积块后得到特征图
[0026]步骤1.8、特征图经过卷积块后得到特征图
[0027]步骤1.9、特征图经过卷积块后得到特征图
[0028]步骤1.10、将特征图和这3张特征图组合成列表，得到第一特征图列表Feats
T
。
[0029]再进一步，所述步骤S2中，所述第二网络包括一个编码器、一个解码器和一个卷积块所述第二网络中的编码器包含4个卷积块每个卷积块由2组串行的3
×
3的二维卷积操作、批量归一化操作、激活操作组成，所述第二网络中的解码器包含4个卷积块每个卷积块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成。
[0030]将医学影像样本输入已构建的第二网络中，得到第二特征图列表Feats
S
和当前病灶分割结果过程如下：
[0031]步骤2.1、将原始样本经过第二网络的编码器的卷积块得到输出特征图
[0032]步骤2.2、特征图池化后经过卷积块得到特征图
[0033]步骤2.3)特征图池化后经过卷积块得到特征图
[0034]步骤2.4)特征图池化后经过卷积块得到特征图
[0035]步骤2.5、特征图池化后经过卷积得到特征图
[0036]步骤2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于移动应用的小巧医学影像病灶分割方法，其特征在于，所述适用于移动应用的小巧医学影像病灶分割方法包括以下步骤：步骤S1、将医学影像样本输入已构建且训练后的第一网络中，得到第一特征图列表Feats
T
；步骤S2、将医学影像样本输入已构建的第二网络中，得到第二特征图列表Feats
S
和当前病灶分割结果步骤S3、将第一特征图列表Feats
T
和第二特征图列表Feats
S
进行深度特征提炼，得到深度特征提炼损失L
feat
；步骤S4、将第一特征图列表Feats
T
中的底层特征图边缘信息标签Label
edge
和第二特征图列表Feats
S
中的底层特征图进行边缘信息推理提炼，得到边缘推理提炼损失L
edge
；步骤S5、将病灶分割标签Label
seg
和当前病灶分割结果进行二分类交叉熵函数计算得到病灶分割损失L
seg
；步骤S6、将L
feat
、L
edge
、L
seg
三种损失函数加权求和，得到总的损失函数L
total
，将L
total
进行反向传播，迭代更新第二网络内的参数，直至第二网络收敛；步骤S7、将待分割医学影像输入至已训练完成的第二网络中，得到病灶分割结果。2.根据权利要求1所述的适用于移动应用的小巧医学影像病灶分割方法，其特征在于，所述步骤S1中，所述第一网络包括一个编码器和一个解码器；所述第一网络的编码器由一个7
×
7的二维卷积操作和四个残差模块7的二维卷积操作和四个残差模块组成；所述由3个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成，所述由4个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成，所述由6个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成，所述由3个残差块组成，每个残差块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成；所述第一网络的解码器由四个卷积块组成，其中每个卷积块包含两个3
×
3卷积操作。3.根据权利要求2所述的适用于移动应用的小巧医学影像病灶分割方法，其特征在于，将医学影像样本输入已构建且训练后的第一网络中，得到第一特征图列表Feats
T
，过程如下：步骤1.1、将医学影像样本经过第一网络的编码器的3
×
3的二维卷积操作，得到特征图步骤1.2、特征图池化后经过残差模块得到特征图步骤1.3、特征图经过残差模块得到特征图步骤1.4、特征图经过残差模块得到特征图步骤1.5、特征图经过残差模块得到特征图
步骤1.6、特征图经过卷积块后得到特征图步骤1.7、特征图经过卷积块后得到特征图步骤1.8、特征图经过卷积块后得到特征图步骤1.9、特征图经过卷积块后得到特征图步骤1.10、将特征图和这3张特征图组合成列表，得到第一特征图列表Feats
T
。4.根据权利要求1～3之一所述的适用于移动应用的小巧医学影像病灶分割方法，其特征在于，所述步骤S2中，所述第二网络包括一个编码器、一个解码器和一个卷积块所述第二网络中的编码器包含4个卷积块每个卷积块由2组串行的3
×
3的二维卷积操作、批量归一化操作、激活操作组成，所述第二网络中的解码器包含4个卷积块每个卷积块由2组串行的3
×
3的二维卷积操作、批量归一操作、激活操作组成。5.根据权利要求4所述的适用于移动应用的小巧医学影像病灶分割方法，其特征在于，将医学影像样本输入已构建的第二网络中，得到第二特征图列表Feats
S
和当前病灶分割结果过程如下：步骤2.1、将原始样本经过第二网络的编码器的卷积块得到输出特征图步骤2.2、特征图池化后经过卷积块得到特征图步骤2.3)特征图池化后经过卷积块得到特征图步骤2.4)特征图池化后经过卷积块得到特征图步骤2.5、特征图池化后经过卷积得到特征图步骤2.6、将特征图进行上采样后和进行特征拼接，再经过第二网络的解码器中的卷积块后得到特征图步骤2.7、将特征图进行上采样后和进行特征拼接，再经过第二网络的解码器中的卷积块后得到特征图步骤2.8、将特征图进行上采样后和进行特征拼接，再经过第二网络的解码器中的卷积块后得到特征图步骤2.9、将特征图输入第二网络的解码器中的卷积块得到特征图对的每一通道均用sigmoid函数进行激活，得到上每个像素点属于病灶区域的概率，将其乘以255得到当前病灶的分割结果乘以255得到当前病灶的分割结果步骤2.10、将特征图和这3张特征图组合成列表，得到第二特征图列表Feats
S
。6.根据权利要求1～3之一所述的适用于移动应用的小巧医学影像病灶分割方法，其特
征在于，所述步骤S3中，将第一特征图列表Feats
T
和第二特征图列表Feats
S
进行深度特征提炼，得到深度特征提炼损失L
feat
，过程如下：步骤3.1、计算Feats
T
特征图列表长度，得到列表长度Length，根据Length进行循环，其中第i次循环操作如下，i∈Length：从Feats
T
中获取第i张特征图经过margin ReLU函数得到margin ReLU函数定义如下：义如下：是一个小...

【专利技术属性】
技术研发人员：郝鹏翼，郑宇祥，潘企何，张凡，吴福理，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：