一种基于深度学习的医学图像自动分割方法技术

本发明专利技术公开了一种基于深度学习的医学图像自动分割方法，具体实现为：(1)获取病人原始医学图像与目标区域手动分割结果，构建与分割任务相关的训练数据集；(2)设计一种融合残差模块与注意力机制的深度U形卷积神经网络模型；(3)利用Dice与二元交叉熵构建混合损失函数；(4)利用训练数据集进行网络训练；(5)用训练好的网络分割测试图像中的目标区域。本发明专利技术是一种端到端的医学图像全自动分割方法，可有效解决目前深度学习图像分割领域中存在的分割边界模糊，小目标检出率较低，训练过程不稳定，收敛困难等问题。收敛困难等问题。收敛困难等问题。

【技术实现步骤摘要】
一种基于深度学习的医学图像自动分割方法


[0001]本专利技术属于医学图像处理
，具体涉及一种基于深度学习的医学图像自动分割方法。

技术介绍

[0002]随着医学影像技术的迅猛发展，更多的医生们会借助医学影像技术对病人的病情进行诊断，提出治疗方案。目前常见的医学成像技术有：计算机断层扫描(CT)，磁共振成像(MRI)等等。医学图像处理是辅助医生了解患者病情的重要技术手段，通过成像技术能帮助医生更直观地了解患者体内病变情况，做出准确有效的诊断。
[0003]医学图像分割是指通过在原始的医学图像中分离出病变区域、危及器官、放疗靶区等，是医学图像处理的重要组成部分，对医生准确了解患者病情，做出病情诊断，指定医疗方案起着至关重要的作用。现阶段医学图像的分割主要由有丰富临床经验的医师手工勾画完成，不仅费时费力，其准确性严重依赖于医师的经验与技巧。因此研究高效准确的医学图像自动分割方法能极大程度上帮助医生提高诊断效率与准确率。
[0004]近年来深度学习在医学图像目标识别与分割领域获得了突破性进展，相关学者也提出了多种基于深度学习的图像分割模型。然而，医学图像中目标区域往往具有对比度低、边界模糊，小型目标特征不显著等特点，现有网络模型通常难以这样的复杂与多样性，分割精度往往较低，尤其对于边界模糊、尺寸较小的分割目标，难以准确、有效地识别与分割。

技术实现思路

[0005]针对现有技术的缺点与不足，本专利技术将残差模块与注意力机制融入U形深度卷积神经网络的构建，旨在提供一种基于深度学习的医学图像目标区域自动分割方法，解决医学图像中分割目标边界模糊，小型目标难以检出的问题，提高计算机辅助诊断的精度和效率。
[0006]一种基于深度学习的医学图像自动分割方法，包括以下步骤：
[0007](1)从医学图像公共数据集中获取病人原始医学图像及图像中目标区域的人工分割结果，构建训练数据集；
[0008](2)构建一种新的融合残差模块和注意力机制的U形深度卷积网络，称之为RA
‑
Unet，具体包括：
[0009](2
‑
a)采用U形网络作为主干网络，该主干网络共包含五个编码层、四个跳跃连接层、四个解码层和一个1
×
1卷积层，其中，第一个编码层的输出不仅作为第二个编码层的输入，同时还通过第一个跳跃连接层与第四个解码层相连作为该解码层的输入；第二个编码层的输出不仅作为第三个编码层的输入，同时还通过第二个跳跃连接层与第三个解码层相连作为该解码层的输入；第三个编码层的输出不仅作为第四个编码层的输入，同时还通过第三个跳跃连接层与第二个解码层相连作为该解码层的输入；第四个编码层的输出不仅作为第五个编码层的输入，同时还通过第四个跳跃连接层与第一个解码层相连作为该解码层
的输入；第五个编码层的输出直接作为第一个解码层的输入；此外，上一个解码层的输出均作为下一个解码层的输入；为了得到分割结果，将最后一个解码层与一个1
×
1卷积层相连，其中最后一个解码层的输出作为1
×
1卷积层的输入，1
×
1卷积层的输出为各像素属于目标的概率图，通过引入阈值T，即可得到分割结果；所述T优选0.3～0.7的常数；
[0010](2
‑
b)在步骤(2
‑
a)所述的主干网络中，每个编码层均由两个卷积模块连接组成，即双卷积模块，其中每个卷积模块包含1个大小为3
×
3的卷积层，批归一化层和Relu激活层；为了对图像进行下采样，第一至第四个编码层中，双卷积模块的末尾均增加1个大小为2
×
2的最大池化层；
[0011](2
‑
c)在步骤(2
‑
a)所述的主干网络中，首先，为了避免信息冗余传递，每一个跳跃连接层都增加了一条带有反卷积与Relu激活层的残差路径，具体结构包括：对编码层的输出进行2
×
2反卷积与Relu激活操作，将得到的结果与编码层中双卷积模块的输出特征相减，获取可有效表征图像边缘信息与小目标全局信息的特征；其次，为了获取跳跃连接层中特征的高级表征，在每一个跳跃连接层中的残差路径后面增加一个步骤(2
‑
b)中所述的双卷积模块；
[0012](2
‑
d)在步骤(2
‑
a)所述的主干网络中，每个解码层均由一个2
×
2的反卷积层，一个注意力结构，以及一个步骤(2
‑
b)中所述的双卷积模块连接组成，其中：第一个解码层中反卷积层的输入为第五个编码层的输出，此后，下一个解码层中反卷积层的输入均为上一个解码层的输出；每个解码层中注意力结构的输入包括当前解码层中反卷积层的输出和与该解码层相连的跳跃连接层的输出；每个解码层中双卷积模块的输入均为当前解码层中注意力结构的输出；
[0013](2
‑
e)步骤(2
‑
d)中所述注意力结构，其特征在于：该注意力结构采用多头注意力机制，首先将跳跃连接层特征F1和反卷积后的特征F2分别输入通道注意力模块获取通道注意力映射特征FA1和FA2，然后将映射特征FA1和FA2分别与其对应的原特征F1和F2相乘得到新特征FM1和FM2，再将FM1和FM2分别进行1
×
1卷积得到FC1和FC2，并将卷积结果FC1和FC2相加得到特征FN，接着对相加结果依次进行Relu激活和1
×
1卷积操作，并将卷积后的结果输入Sigmod激活函数生成一个权重图，最后将跳跃连接层传递的原始特征F1与该权重图相乘得到最终的注意力映射特征；
[0014](2
‑
f)步骤(2
‑
e)中所述通道注意力模块，其特征在于，具体结构包括：将输入特征F分别进行平均池化和最大池化得到FP1和FP2，然后将池化结果FP1和FP2分别输入含有1个隐藏层的共享多层感知机得到特征MLP1和MLP2，最后将MLP1和MLP2相加，并输入Sigmoid激活函数获取通道注意力映射特征；
[0015](3)结合Dice与二元交叉熵构建RA
‑
Unet网络的损失函数：
[0016]Loss＝α
·
BCE_loss+(1
‑
α)
·
Dice_loss
[0017]其中，α为权重因子，取值范围为0～1，优选0.3～0.9的常数，用于调节Dice损失值Dice_los和二元交叉熵损失值BCE_loss所占比重；Dice_loss和BCE_loss的具体计算方法如下：
[0018][0019][0020]其中，G
i
为CT图像中第i个像素的专家手动分割结果，其中背景标记为0，目标标记为1，P
i
为网络预测第i个像素属于目标的概率，N为CT图像中的像素数目；
[0021](4)采用训练数据集对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的医学图像自动分割方法，其特征在于，包括以下步骤：(1)从医学图像公共数据集中获取病人原始医学图像、及图像中目标区域的人工分割结果，构建训练数据集；(2)构建一种新的融合残差模块和注意力机制的U形深度卷积网络，称之为RA
‑
Unet，具体包括：(2
‑
a)采用U形网络作为主干网络，该主干网络共包含五个编码层、四个跳跃连接层、四个解码层和一个1
×
1卷积层，其中第一个编码层的输出不仅作为第二个编码层的输入，同时还通过第一个跳跃连接层与第四个解码层相连作为该解码层的输入；第二个编码层的输出不仅作为第三个编码层的输入，同时还通过第二个跳跃连接层与第三个解码层相连作为该解码层的输入；第三个编码层的输出不仅作为第四个编码层的输入，同时还通过第三个跳跃连接层与第二个解码层相连作为该解码层的输入；第四个编码层的输出不仅作为第五个编码层的输入，同时还通过第四个跳跃连接层与第一个解码层相连作为该解码层的输入；第五个编码层的输出直接作为第一个解码层的输入；此外，上一个解码层的输出均作为下一个解码层的输入；为了得到分割结果，将最后一个解码层与一个1
×
1卷积层相连，其中最后一个解码层的输出作为1
×
1卷积层的输入，1
×
1卷积层的输出为各像素属于目标的概率图，通过引入阈值T，即可得到分割结果；(2
‑
b)在步骤(2
‑
a)所述的主干网络中，每个编码层均由两个卷积模块连接组成，即双卷积模块，其中每个卷积模块包含1个大小为3
×
3的卷积层，批归一化层和Relu激活层；为了对图像进行下采样，第一至第四个编码层中，双卷积模块的末尾均增加1个大小为2
×
2的最大池化层；(2
‑
c)在步骤(2
‑
a)所述的主干网络中，首先，为了避免信息冗余传递，每一个跳跃连接层都增加了一条带有反卷积与Relu激活层的残差路径，具体结构包括：对编码层的输出进行2
×
2反卷积与Relu激活操作，将得到的结果与编码层中双卷积模块的输出特征相减，获取可有效表征图像边缘信息与小目标全局信息的特征；其次，为了获取跳跃连接层中特征的高级表征，在每一个跳跃连接层中的残差路径后面增加一个步骤(2
‑
b)中所述的双卷积模块；(2
‑
d)在步骤(2
‑
a)所述的主干网络中，每个解码层均由一个2
×
2的反卷积层，一个注意力结构，以及一个步骤(2
‑
b)中所述的双卷积模块连接组成，其中：第一个解码层中反卷积层的输入为...

【专利技术属性】
技术研发人员：廖苗，邸拴虎，杨文瀚，赵于前，杨振，曾业战，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：