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：