【技术实现步骤摘要】
一种基于U型网络的医学图像分割方法
本专利技术涉及一种基于U型网络的医学图像分割方法，属于图像处理
技术介绍
医学图像分割技术的发展，是从手工分割到人机式的半自动分割，再逐步发展到全自动分割的过程。手工分割指的是由具有丰富经验的临床医生在原始胶片上直接勾勒出组织的边界或者感兴趣的区域，手工分割对人的先验知识有很高的要求，且标注时间长、成本较高。随着深度学习在计算机视觉领域的发展出现了半自动分割技术，该分割技术是将计算机的数据存储和计算功能以及医学专家的经验和知识结合起来，运用人机交互的方法来完成图像的分割。全自动分割则是计算机根据事先编好的算法运行独立自动完成图像的分割全过程。但大部分全自动分割算法的实现复杂，分割结果不理想，且分割的速度和性能也需要提高，目前临床医学上，研究实用的全自动分割方法来取代繁琐的人工分割或者半自动分割一直是人们追求的目标，全自动分割方法是近年来医学图像的研究重点和关键技术。为使机器自动分割医学图像，减少人工繁琐工作，为之后的肿瘤识别和病理判断打下坚实基础，研究如何使得分割边缘结果更精确至...
【技术保护点】
1.一种基于U型网络的医学图像分割方法，其特征在于，包括以下步骤：/n步骤1，从现有医学图像数据库中选择一种医学图像数据集；/n步骤2，从医学图像数据集中获取成对的原始图片及原始图片中目标区域的真实分割图，真实分割图基于生成器G生成合成图像；/n将合成图像送入判别器D进行判别，判别器D判断该合成图像是否来自于医学图像数据集，输出合成图像来自于医学图像数据集的概率；/n步骤3，将成对的原始图片和原始图片中目标区域的真实分割图导入生成对抗网络中训练生成对抗网络，得到生成器模型，所述生成对抗网络的生成对抗联合损失函数为/n
【技术特征摘要】
1.一种基于U型网络的医学图像分割方法，其特征在于，包括以下步骤：
步骤1，从现有医学图像数据库中选择一种医学图像数据集；
步骤2，从医学图像数据集中获取成对的原始图片及原始图片中目标区域的真实分割图，真实分割图基于生成器G生成合成图像；
将合成图像送入判别器D进行判别，判别器D判断该合成图像是否来自于医学图像数据集，输出合成图像来自于医学图像数据集的概率；
步骤3，将成对的原始图片和原始图片中目标区域的真实分割图导入生成对抗网络中训练生成对抗网络，得到生成器模型，所述生成对抗网络的生成对抗联合损失函数为
式中，x为原始图片的真实分割图，y为原始图片，z为随机噪声，E[*]表示分布函数期望值，D(x,y)为输入为x和y时判别器D的输出概率值，G(x,z)为合成图像；
增加L1距离损失，用来约束合成图像和原始图片之间的差异，减少模糊：
步骤4，使用步骤3中训练过的生成器模型生成合成图像，与原始图片一起作为多特征融合分割网络的输入数据集，将该输入数据集分为训练集和测试集；
步骤5，利用步骤4中输入数据集对多特征融合分割网络进行训练得到分割网络模型，该多特征融合分割网络在解码过程中，每个解码器层都与来自编码器的较浅和相同层级的特征映射通过一个膨胀卷积模块相连接；
步骤6，将待分割的原始图片输入到训练好的分割网络模型中进行分割，得到真实分割图。
2.根据权利要求1所述的一种基于U型网络的医学图像分割方法，其特征在于，
步骤3中，所述生成对抗网络的训练包括生成器G的训练与判别器D的训练，利用神经网络的前向传播和神经网络的后向传播，使用梯度下降法交替训练判别器D与生成器G，直至经判别器D鉴定生成器G生成的合成图像是真图像的概率为0.5时，训练结束，得到生成器模型和判别器模型。
3.根据权利要求1所述的一种基于U型网络的医学图像分割方法，其特征在于，
步骤5中，所述多特征融合分割网络包括特征提取和增大分辨率，特征提取包括5个卷积块和四个下采样，卷积块之间通过下采样连接；增大分辨率包括4个通过上采样连接的四个卷积块。
4.根据权利要求1所述的一种基于U型网络的医学图像分割方法，其特征在于，
步骤5，包括以下步骤：
在所述多特征融合分割网络中，设置损失函数为集合相似度度量函数，具体公式为
其中,|A∩B|表示集合A和集合B之间的共同元素，|...
【专利技术属性】
技术研发人员：张登银，赵蓉，严伟丹，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。