一种基于改进型U-net网络的医学图像分割方法技术

本发明专利技术公开了一种基于改进型U

【技术实现步骤摘要】
一种基于改进型U
‑
net网络的医学图像分割方法


[0001]本专利技术属于医学图像分割
，涉及一种基于改进型U
‑
net网络的医学图像分割方法。

技术介绍

[0002]随着深度学习的发展，神经网络开始广泛应用于图像分割中。由于传统方法存在分割效果不佳等诸多问题，研究者们开始利用神经网络进行图像分割，该方法是一种自动的图像分割方法，能够提取更丰富的特征信息，从而更好地分割出目标物。
[0003]近年来，利用u
‑
net网络结构对图像进行分割逐渐引起了一些学者的关注。这种分割方法的基本思想是：编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个通过最大池化实现的下采样层。解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像的分辨率一致。该方法依旧存在一些缺陷：(1)参数量大；(2)分割边缘模糊，分割精度低；(3)网络的泛化能力弱。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术的目的在于提供一种基于改进型U
‑
net网络的医学图像分割方法，至少部分解决上述技术问题。
[0005]本专利技术实施例提供了一种基于改进型U
‑
net网络的医学图像分割方法，包括：
[0006]S1：获取医学图像；
[0007]S2：对所述医学图像进行预处理；
[0008]S3：将所述预处理后的所述医学图像，输入训练后的基于inception的U/>‑
net神经网络，得到医学图像分割结果。
[0009]进一步地，所述基于inception的U
‑
net神经网络的结构包括：编码路径和解码路径；
[0010]所述编码路径包括下采样卷积路径和inception模块；所述解码路径包括上采样卷积路径；
[0011]将所述下采样卷积路径、所述inception模块和所述上采样卷积路径依次连接，进行图像分割。
[0012]进一步地，所述下采样卷积路径为对所述医学图像依次进行7*7卷积、3*3最大池化、3*3卷积和3*3最大池化，得到下采样卷积路径的输出结果。
[0013]进一步地，所述inception模块为对所述下采样卷积路径的输出结果，分别进行1*1卷积、1*1卷积和3*3卷积、1*1卷积和5*5卷积以及3*3最大池化和1*1卷积四种操作，得到inception模块的输出结果。
[0014]进一步地，所述上采样卷积路径为对所述inception模块的输出结果进行第一反卷积；将所述第一反卷积的输出结果与所述inception模块中所述3*3最大池化和1*1卷积的结果进行融合，得到第一融合结果；
[0015]对所述第一融合结果依次进行3*3卷积、dropout操作、3*3卷积和第二反卷积；将所述第二反卷积的输出结果与所述inception模块中所述1*1卷积的结果进行融合，得到第二融合结果；
[0016]对所述第二融合结果依次进行3*3卷积、dropout操作、3*3卷积和第三反卷积；将所述第三反卷积的输出结果与所述下采样卷积路径中所述3*3卷积的结果进行融合，得到第三融合结果；
[0017]对所述第三融合结果依次进行3*3卷积、dropout操作、3*3卷积和第四反卷积；将所述第四反卷积的输出结果与所述下采样卷积路径中第一个最大池化的结果进行融合，得到第四融合结果；
[0018]对所述第四融合结果依次进行3*3卷积、dropout操作、3*3卷积、第五反卷积和1*1卷积，得到所述医学图像分割结果。
[0019]进一步地，所述预处理为对所述医学图像进行归一化处理。
[0020]本专利技术实施例提供一种基于改进型U
‑
net网络的医学图像分割方法，与现有技术相比较，分割边缘清晰，分割精度高，网络的泛化能力强；同时参数量小，使得训练时间减少，提高了训练效率。
[0021]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0022]图1为本专利技术实施例提供的一种基于改进型U
‑
net网络的医学图像分割方法框图；
[0023]图2为本专利技术实施例提供的基于inception的U
‑
net神经网络整体结构示意图；
[0024]图3为本专利技术实施例提供的inception模块结构示意图；
[0025]图4为本专利技术实施例提供的一种基于改进型U
‑
net网络的医学图像分割方法流程图；
[0026]图5为本专利技术实施例提供的使用不同方法分割CT肺部图像的结果示意图；
[0027]图6为本专利技术实施例提供的使用不同方法分割CT肺部图像的dice值变化示意图；
[0028]图7为本专利技术实施例提供的使用不同方法分割CT肺部图像的loss值变化示意图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0031]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设
置有”、“内接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0032]本专利技术实施例提供的一种基于改进型U
‑
net网络的医学图像分割方法，如图1所示，包括：
[0033]S1：获取医学图像；
[0034]S2：对医学图像进行预处理；
[0035]S3：将预处理后的医学图像，输入训练后的基于inception的U
‑
net神经网络，得到医学图像分割结果。
[0036]其中，医学图像为医学CT图像，目标物可以为脑、脊髓、纵隔、肺、肝、胆、胰以及盆部器官等，其中本专利技术分割肺部图像的效果最优。
[0037]本专利技术实施例提供的一种基于改进型U
‑
net网络的医本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型U
‑
net网络的医学图像分割方法，其特征在于，包括：S1：获取医学图像；S2：对所述医学图像进行预处理；S3：将所述预处理后的所述医学图像，输入训练后的基于inception的U
‑
net神经网络，得到医学图像分割结果。2.根据权利要求1所述的一种基于改进型U
‑
net网络的医学图像分割方法，其特征在于，所述基于inception的U
‑
net神经网络的结构包括：编码路径和解码路径；所述编码路径包括下采样卷积路径和inception模块；所述解码路径包括上采样卷积路径；将所述下采样卷积路径、所述inception模块和所述上采样卷积路径依次连接，进行图像分割。3.根据权利要求2所述的一种基于改进型U
‑
net网络的医学图像分割方法，其特征在于：所述下采样卷积路径为对所述医学图像依次进行7*7卷积、3*3最大池化、3*3卷积和3*3最大池化，得到下采样卷积路径的输出结果。4.根据权利要求3所述的一种基于改进型U
‑
net网络的医学图像分割方法，其特征在于：所述inception模块为对所述下采样卷积路径的输出结果，分别进行1*1卷积、1*1卷积和3*3卷积、1*1卷积和5*5卷积以及3*3最大池化和1*...

【专利技术属性】
技术研发人员：任小玲，郭晓蓉，魏子怡，孟玉茹，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：