一种基于深度学习的自适应生物医学影像分割方法技术

本发明专利技术属于医学影像技术领域，尤其是一种基于深度学习的自适应生物医学影像分割方法，包括步骤一、将需要分割的生物医学影像数据同时送入网络模型框架中的第一决策分支和第二决策分支，之后所述第一决策分支和所述第二决策分支同步运行，分别得到指定生物医学影像适配的网络参数配置和网络深度配置。该基于深度学习的自适应生物医学影像分割模型框架，本发明专利技术能够实现在无人调优的情况下，自动的根据生物医学分割模型的数据特征，从管道参数和网络深度两个方向进行全局的调优，更好的拟合数据特征和任务特点，最后生成全局最优的分割模型，相比现有技术，在大大降低计算量的同时，实现更精准更高效的网络模型调优。现更精准更高效的网络模型调优。现更精准更高效的网络模型调优。

【技术实现步骤摘要】
一种基于深度学习的自适应生物医学影像分割方法


[0001]本专利技术涉及医学影像
，尤其涉及一种基于深度学习的自适应生物医学影像分割方法。

技术介绍

[0002]医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医学成像系统和医学图像处理。
[0003]基于深度学习的分割方法在生物医学成像中获得了很大的成功，但它们在最终用户的特定图像分析问题上的适用性通常受到限制，方法的特定任务设计和配置需要高水平的专业知识和经验，而小的错误会导致性能大幅下降。尤其是在3D生物医学成像中，数据集属性（如成像方式、图像大小、（各向异性）体素间距或类别比率）会发生巨大变化，流程设计可能很麻烦，因为构成较好配置的经验可能无法转化到手头的数据集；而且用户通常在方法设计过程中会经历反复的试验过程，而反复试验和错误过程主要是由他们的个人经验决定的，只有很少的文献记载和难以复制，不可避免地会引起次优的分割渠道和方法论上的发现到其他数据集；同时现有的nnUN框架，其技术侧重于预处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自适应生物医学影像分割方法，其特征在于：包括步骤一、将需要分割的生物医学影像数据同时送入网络模型框架中的第一决策分支和第二决策分支，之后所述第一决策分支和所述第二决策分支同步运行，分别得到指定所述生物医学影像适配的网络参数配置和网络深度配置；步骤二、所述第一决策分支和所述第二决策分支获取到特定所述生物医学影像数据的网络管道指纹后，由所述网络管道指纹决定最终的网络模型架构成决策；步骤三、根据特定所述生物医学影像数据的类型在分析后，再通过选定的2DUnet或者3DUnet网络模板上自动进行针对性的调整优化，得出特定所述生物医学影像数据的最优分割模型和分割出的结果。2.根据权利要求1所述的一种基于深度学习的自适应生物医学影像分割方法，其特征在于：所述第一决策分支对所述生物医学影像数据自动采集数据指纹，创建一个数据集指纹。3.根据权利要求2所述的一种基于深度学习的自适应生物医学影像分割方法，其特征在于：所述数据指纹捕获所有相关参数和属性，包括：图像剪裁前后的大小、图像间距、形态、所有图像的类数量以及训练案例的总数。4.根据权利要求2所述的一种基于深度学习的自适应生物医学影像分割方法，其特征在于：所述数据指纹通过一组启发式规则建立网络模型的推断参数，所述启发式规则是由理论知识集构成。5.根据权利要求4所述的一种基于深度学习的自适应生物医学影像分割方法，其特征在于：所述网络参数配置是由所述启发式规则对特定所述生物医学影像数据集的所述数据指纹进行操作，并将管道指纹的依赖数据通过所述推断参数生成，所述推断参数包括图形重采集、批量大小、架构配置、图形块尺寸和图像归一化。6.根据权利要求1所...

【专利技术属性】
技术研发人员：李永鑫，刘玉海，张建一，赵艳楠，安双双，宋怀明，
申请(专利权)人：中科曙光南京研究院有限公司，
类型：发明
国别省市：