深度学习分割网络的训练方法及医学图像分割方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种深度学习分割网络的训练方法及医学图像分割方法。其中训练方法包括获取训练数据，对训练数据的轮廓进行统计，得到目标物体的形状模型，使用形状模型生成多个模拟形状；查找出与模拟形状最接近的训练数据，对模拟形状进行纹理填充，得到模拟数据；将模拟数据和训练数据合并后训练预设的深度学习分割网络，得到训练好的深度学习分割网络。本发明专利技术能够由少量真实数据生成模拟数据，可以显著提高训练效果，使得最终医学图像分割方法得到的分割效果更为理想。理想。理想。

【技术实现步骤摘要】
深度学习分割网络的训练方法及医学图像分割方法


[0001]本专利技术属于图像处理
，具体涉及一种深度学习分割网络的训练方法及医学图像分割方法。

技术介绍

[0002]在临床决策中，图像分割技术可以为计算机辅助诊断与治疗提供可靠的依据，更是术前评价、手术规划以及手术导航等研究方向的技术支撑，具有重要的理论意义和临床价值。对感兴趣区域(Region of Interest，ROI)进行分割是医学图像处理研究的重要分支。近年来，深度学习技术得到了迅速发展，并且在医学图像分割领域呈现出杰出的表现，继而引发了人们对深度学习的研究热情。如果训练样本足够多，深度学习算法与传统方法相比往往能够得到更加准确的结果，最具代表性的深度学习分割算法有：卷积神经网络(Convolutional Neural Network，CNN)、稀疏自编码器(Sparse Auto
‑
Encoder，SAE)、深度信念网络(Deep Belief Nets，DBN)和循环神经网络(Recurrent Neural Network，RNN)等。然而，医学图像存在难获取、难标记的问题。因此，使用深度学习方法处理小数据量的医学图像往往会出现过拟合的问题。
[0003]为了解决医学图像数据量小、获取困难的问题，研究者们提出了不少解决方案，大体可以归为以下四类：
[0004]第一、利用多尺度信息。许多文章采用图像块的技术将一张图分解为多张小的图像块进行训练，从而将图像分割问题转化为多个图像块的分类问题。例如Gaonkar的工作中，将原本尺寸较大的图像切割成为尺寸较小的图像进行模型的训练，结果显示可以有效缓解训练图像少的问题。
[0005]第二、调整深度学习的网络结构。若在数据量较少的情况下进行深度学习网络的训练，随着网络深度的增大，在训练过程中很容易出现梯度消失或梯度爆炸的现象，从而导致最终网络性能不佳。为了解决这一问题，许多研究者提出了新的网络结构。Wang等人提出了ChestNet网络模型用于肺结节分割，该网络在传统深度卷积网络中加入了一些注意力分支(Attention Branch)。注意力分支使网络能够自适应地集中于病理异常区域进行特征提取，使网络能够从小数据中获取更多的信息。Alom等人提出了用于医学图像分割的R2U
‑
Net网络，网络参考了U
‑
net和RCNN的结构，并引入了残差网络来更好地利用训练数据自身的信息。然而，调整深度网络的结构是一件较为困难的事情，不确定性因素很多，并且复杂的网络在实际应用落地中会存在困难。
[0006]第三、图像增强。最常见的是用传统的图像数据增强算法增加训练数据量。传统的图像数据增强算法一般包括图像刚性变换(Rigid Deformation)和弹性变换(Elastic Deformation)两类。刚性变换是指只有物体的位置、大小和方向发生改变，而自身形状不变，如旋转、翻转、尺度变换、裁剪等；弹性变换则改变了物体自身的形状，如错切、仿射等。传统的图像数据增强算法能从现有的训练样本中生成更多的训练数据，以增加深度学习网络模型在训练时提取到更丰富的特征，从而提升网络模型的泛化能力，并且这类方法原理
简单、易于实现，是常用的图像预处理方法。然而，传统的图像数据增强算法并不能充分提取图像的自身信息，并且CNN等深度学习模型具备旋转不变特性，因此，该类图像数据增强算法的效果十分有限。
[0007]Goodfellow等人2014年首次提出用生成对抗网络(Generative Adversarial Nets，GAN)产生新的图像。GAN能够学习样本的内在表达，从而可以生成新的样本。近几年，也有一些利用GAN来解决医学图像数据量小的研究。厦门大学丁兴号等人申请了一项名为一种基于生成对抗网络的医学图像合成方法(申请号：CN201811510479.8)的专利技术专利，Calimeri等人提出了一种适用于大脑MRI图像数据增强的GAN模型。Bermudez等人使用GAN实现二维大脑图像的合成。使用GAN模型生成的图像较为清晰真实，但这些网络存在训练参数多、网络不稳定、模式易崩溃等缺点。因此，GAN目前多应用于二维医学图像的生成，较少应用于三维图像上，并且生成的图像尺度都比较小。
[0008]此外也有相应专利正在申请，例如中南大学的任盛等人申请了一种基于深度学习的医疗图像增强算法(专利号：201910086181.7)，利用深度残差网络学习低分辨率图像到高分辨率图像的非线性映射。例如蚌埠医学院的王凯申请了一种医学领域图像语义相似度矩阵的生成方法(申请号：CN201510455087.6)，该专利以医学领域图像间语义距离为研究对象，通过多策略匹配的相似度关系映射，实现一种基于粗糙语义概率模型的医学图像相似矩阵提取建模方法。但是，目前基于模型的数据增强算法也存在以下一些局限性：
[0009](1)该类算法大多适用于二维图像，且训练图像需要标记大量的特征点；
[0010](2)由于许多人体器官内部可依托的特征点很少，难以进行纹理迁移。

技术实现思路

[0011]本专利技术针对当前医学图像数据中，已精确标记的医学训练图像数据获取困难的技术问题，目的在于提供一种深度学习分割网络的训练方法及采用该训练方法训练后的深度学习分割网络进行分割的医学图像分割方法。
[0012]一种深度学习分割网络的训练方法，包括：
[0013]获取训练数据，对所述训练数据的轮廓进行统计，得到目标物体的形状模型，使用所述形状模型生成多个模拟形状；
[0014]查找出与所述模拟形状最接近的所述训练数据，对所述模拟形状进行纹理填充，得到模拟数据；
[0015]将所述模拟数据和所述训练数据合并后训练预设的深度学习分割网络，得到训练好的深度学习分割网络。
[0016]可选的，所述获取训练数据，对所述训练数据的轮廓进行统计之前，包括：
[0017]获取训练数据，所述训练数据为目标物体的多组三维医学原始图像；
[0018]对所述训练数据进行预处理，所述预处理过程为对所述三维医学原始图像进行灰度归一化，并通过标签图像表面采样，获得所述目标物体的表面点云。
[0019]可选的，所述对所述训练数据的轮廓进行统计，得到目标物体的形状模型，使用所述形状模型生成多个模拟形状，包括：
[0020]将N组训练数据的表面均匀采样M个特征点，得到N组形状其中每个形状s
i
是M个点构成的集合是M个点构成的集合为每个特征点的坐标值；
[0021]最小化所有形状倒平均形状的距离，得到变换后的
[0022]计算变换后的平均形状
[0023][0024]计算所述训练数据的协方差矩阵C：
[0025][0026]对协方差矩阵C＝UΛU
T
进行特征值分解，求得协方差矩阵C的特征向量U和特征值Λ，所述特征值Λ给出了所述训练数据在相应特征向量方向上的方差；
[0027]在所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习分割网络的训练方法，其特征在于，包括：获取训练数据，对所述训练数据的轮廓进行统计，得到目标物体的形状模型，使用所述形状模型生成多个模拟形状；查找出与所述模拟形状最接近的所述训练数据，对所述模拟形状进行纹理填充，得到模拟数据；将所述模拟数据和所述训练数据合并后训练预设的深度学习分割网络，得到训练好的深度学习分割网络。2.如权利要求1所述的深度学习分割网络的训练方法，其特征在于，所述获取训练数据，对所述训练数据的轮廓进行统计之前，包括：获取训练数据，所述训练数据为目标物体的多组三维医学原始图像；对所述训练数据进行预处理，所述预处理过程为对所述三维医学原始图像进行灰度归一化，并通过标签图像表面采样，获得所述目标物体的表面点云。3.如权利要求1所述的深度学习分割网络的训练方法，其特征在于，所述对所述训练数据的轮廓进行统计，得到目标物体的形状模型，使用所述形状模型生成多个模拟形状，包括：将N组训练数据的表面均匀采样M个特征点，得到N组形状其中每个形状s
i
是M个点构成的集合为每个特征点的坐标值；最小化所有形状倒平均形状的距离，得到变换后的计算变换后的平均形状计算变换后的平均形状计算所述训练数据的协方差矩阵C：对协方差矩阵C＝UΛU
T
进行特征值分解，求得协方差矩阵C的特征向量U和特征值Λ，所述特征值Λ给出了所述训练数据在相应特征向量方向上的方差；在所述特征值Λ中取前k个最大特征值λ＝{λ1,λ2,
…
,λ
k
}，及其对应的特征向量E＝{e1,e2,
…
,e
k
}，则可得到所述目标物体的形状模型：其中，b＝{b1,b2,
…
,b
k
}是k维的形状参数；通过调整b值，生成多个所述模拟形状。4.如权利要求3所述的深度学习分割网络的训练方法，其特征在于，采用普氏分析法最小化所有形状倒平均形状的距离。5.如权利要求3所述的深度学习分割网络的训练方法，其特征在于，所述形状参数b值的取值范围为
6.如权利要求1所述的深度学习分割网络的训练方法，其特征在于，所述查找出与所述模拟形状最接近的所述训练数据，对所述模拟形状进行纹理填充，得到模拟数据，包括：查找出与所述模拟形状的模拟图像最接近的所述训练数据中的Q组真实图像；利用预设的三维薄板样条算法，计算出所述真实图像与所述模拟图像间的空间变换关系；根据空间变换关系将所述真实图像的灰度值映射至所述模拟图像中，完成所述模拟图像的纹理插值，得到插值后的模拟形状作为新的模拟数据。7.如权利要求3所述的深度学习分割网络的训练方法，其特征在于，所述查找出与所述模拟形状最接近的所述训练数据，对所述模拟形状进行纹理填充，得到模拟数据，包括：计...

【专利技术属性】
技术研发人员：唐智贤，姚旭峰，李伟，
申请(专利权)人：上海健康医学院，
类型：发明
国别省市：