【技术实现步骤摘要】
一种基于深度学习的医学图像活动轮廓分割方法
[0001]本专利技术涉及图像分割的
，尤其涉及一种基于深度学习的医学图像活动轮廓分割方法，可应用于智慧医疗行业，计算机辅助诊断。
技术介绍
[0002]深度学习方法的发展使得计算机视觉技术飞速提高，然而医学图像分割是三维分割问题，现有深度神经网络应用到医学图像分割时，仍有所不足。根据数据的维度将三维图像的深度学习方法粗略分为两类：第一种方法通过牺牲三维的几何信息，在二维切片上训练2D网络；另一种方法使用三维网络，通过消耗大量GPU内存或是直接将图像切成小块，或者下采样后用神经网络直接处理三维数据。但是由于医学图像中部分小器官体积小、形状不一，比如胰腺、脾脏等，上述两种方法在边界以及细长狭小的部分分割结果不太理想。
[0003]传统的活动轮廓模型是个经典的医学图像分割模型，它高效且内存消耗低，通过处理二维边界或三维表面来处理高维图像问题。受传统的活动轮廓模型的启发，一些方法已经研究了基于边界的深度学习模型。这些方法使用神经网络来演化初始轮廓或使表面变形，来得到目标对象...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的医学图像活动轮廓分割方法，其特征在于，其步骤如下：步骤一：获取医学图像作为样本图像，将样本图像分成训练集和测试集，获取训练集中样本图像的像素级的标签；步骤二：构建初始化网络，利用训练集中的样本图像和步骤一得到的像素级的标签训练初始化网络，得到粗分割模型；步骤三：将所有样本图像输入到步骤二中得到的训练好的粗分割模型中得到像素级的粗分割预测图像，提取粗分割预测图像的边界点得到初始化表面的点云数据；步骤四：构建表面演化网络模型，利用步骤三中得到的训练集的初始化表面的点云数据训练表面演化网络模型，得到表面演化模型；步骤五：将步骤三得到的测试集的初始化表面的点云数据输入到表面演化模型中，得到边界点的预测位移，根据预测位移确定目标边界点，从而获得目标边界点集合；步骤六：表面重建：利用目标边界点集合进行三维表面重建，得到最终的分割图像。2.根据权利要求1所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述初始化网络的第一部分是卷积层，卷积层后设有批标准化层和激活函数层；紧接着是一个池化层；池化层后设有四个残差模块，其中第一个残差模块和第二个残差模块中最后的卷积层进行下采样操作，第三个残差模块和第四个残差模块中的卷积层使用膨胀卷积；接下来是密集空洞空间金字塔池化块，包含一个1
×
1的卷积层、三个膨胀卷积层以及一个全局池化层，且1
×
1的卷积层、三个膨胀卷积层和一个全局池化层并联，整合提取的特征输出一个分辨率小的分割预测图像；最后，采用上采样将分割预测图像还原到原图像的大小。3.根据权利要求2所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述步骤一中像素级的标签是一个和样本图像同样大小、取值属于{0,1}的图像，1表示所需要的目标器官，0表示背景或其他不需要的器官；所述上采样中使用的插值方法是双线性差值法。4.根据权利要求1或3所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述步骤二中初始化网络的训练方法为：将训练集中的样本图像即训练样本图像按照第三维度切成二维的切片，即：假设三维CT图像大小是H
×
W
×
D，那么可以看作是D张H
×
W大小的二维图像数据叠放在一起，每张二维图像称之为一个三维图像的一个切片；将切片输入到初始化网络，得到切片对应的分割预测图像；根据分割预测图像与像素级的标签做对比，计算二值交叉熵，作为初始化网络的损失函数，用梯度回传法更新初始化网络的参数；所述像素级的粗分割预测图像的获得方法为：首先将所有训练集和测试集的三维CT图像按照第三维来分成多张二维图像，并将每个三维CT图像的二维图像依次都输入到粗分割模型中，得到预测的二维图像，并按照顺序将预测的二维图像依次叠放起来，还原回原三维图像的大小即将D张H
×
W大小的二维图像叠放成大小H
×
W
×
D的三维图像，得到一个像素级的粗分割预测图像。5.根据权利要求1所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述提取粗分割预测图像的边界点的方法为：粗分割预测图像的每个像素点的取值是0或1，其中1表示是预测到的目标对象，而0则表示非目标对象；一个像素点周围有六个邻近像素点，若一个像素点值为1，且它的六个邻近像素点中有一个像素点为0，则这个像素点是边界点；
所有边界点的集合S＝{x1，x2，x3，...，x
n
}，n为集合S中边界点的个数；将边界点...
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。