【技术实现步骤摘要】
一种基于深度学习的医学图像分割方法、系统、装置
[0001]本专利技术属于图像处理领域,具体涉及一种基于深度学习的医学图像分割方法、系统、装置。
技术介绍
[0002]医学图像是临床医学诊断与治疗中一个重要的分析工具,运用医学图像分割技术可以快速地定位病变区域和分割出图像纹理,辅助医护人员作出精准的诊断。但是,传统的医学图像分割方法仍然存在数据集不足、图像分割难度大、分割精度不够高等问题,在低数据量情况下完成医学图像的精准分割成为亟待解决的难题。
[0003]现有的医学图像分割技术主要分为传统的图像分割方法和基于深度学习的分割方法。传统的图像分割方法主要有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法,等等。这些传统方法只能应用于特定的数据集以及特定的分割需求,并不具备对于多种医学图像数据集分割的通用性。基于深度学习的方法主要采用的是以U
‑
Net为基础架构的分割网络,通过编码解码器的结构,扩大像素感受野并还原到原图像大小,融合图像浅层和深层空间上的信息进而得出目标区域的分割结果。但是对于尺度变化较大的医学图像,基于U
‑
Net的医学图像分割方法仍然会产生分割结果不精确的问题。
技术实现思路
[0004]为了解决现有图像分割方法存在的通用性较差以及对尺度较大的医学图像的分割结果不精确的问题,本专利技术提供一种基于深度学习的医学图像分割方法、系统、装置。
[0005]本专利技术采用以下技术方案实现:
[0006]一种基于深度学习的医 ...
【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分割方法,其特征在于,所述医学图像分割方法包括如下步骤:S1:构建一个图像分割网络模型,所述图像分割网络模型包括特征提取模块、U
‑
net网络和特征融合模块;所述特征提取模块采用ResNext101网络,特征提取模型的输入为待分割的医学图像,输出为经ResNext101网络提取出的不同尺度的第一特征;所述U
‑
net网络模型包括编码器单元和解码器单元;所述编码器单元的输入为待分割的医学图像,输出为不同尺度的第二特征;所述特征融合模块用于对所述第一特征和第二特征进行卷积、池化、拼接,进而得到融合特征;所述融合特征通过跳跃连接的方式联合输入到所述U
‑
net网络模型的解码器单元中;所述解码器单元的输入包括所述融合特征和所述解码器中前一层的上采样输出;所述解码器单元的最终输出为二值化的医学图像分割结果;S2:获取用于对所述图像分割网络模型进行训练的原始数据集,对原始数据集进行分类,得到训练集和测试集;S3:设定图像分割网络模型的参数进行联合优化的损失函数,所述损失函数包括传统的交叉熵损失函数和一种基于图像像素关联度的损失函数;S4:采用步骤S2中的训练集和步骤S3中的损失函数,对构建的所述图像分割网络模型进行训练,得到参数全面优化调整的网络模型,保存该模型作为最终的分割网络;S5:采用步骤S2中的测试集,对步骤S4中保存的完成训练的分割网络进行测试,根据测试结果确定所述图像分割网络模型的分割性能;保存测试性能最佳的网络模型,并使用该网络模型对待分割的医学图像进行分割处理。2.如权利要求1所述的基于深度学习的医学图像分割方法,其特征在于:步骤S1中,所述ResNext101网络提取的第一特征包括四种不同尺度的特征图,分别为m1、m2、m3和m4;所述U
‑
Net网络的编码器单元中包括四个不同尺度的卷积池化层模块,进而提取出的四个不同尺度的第二特征的特征图分别为n1、n2、n3和n4;所述第一特征和第二特征中的四个特征图的尺寸依次相对应。3.如权利要求1所述的基于深度学习的医学图像分割方法,其特征在于:步骤S1中,所述特征融合模块的处理过程如下:首先,对所述编码层输入的第二特征分别进行1
×
1,3
×
3,5
×
5的卷积操作;然后对三种卷积操作的处理结果进行级联操作,并依次进行3
×
3的卷积处理和池化处理;接着,将池化处理的结果和所述ResNext101网络提取的对应的第一特征在通道空间上进行拼接,最后对拼接的结果再进行3
×
3的卷积处理得到所述融合特征。4.如权利要求3所述的基于深度学习的医学图像分割方法,其特征在于:特征融合处理过程的表达式如下:p
i
=Conv3{Cat[Conv1(n
i
),Conv3(n
i
),Conv5(n
i
)]}out
i
=Conv3{Cat[pool(p
i
),m
i
]}其中,Conv1,Conv3,Conv5分别代表的就是卷积核大小为1
×
1、3
×
3、5
×
5的卷积操作;n
i
表示U
‑
Net网络的编码器单元提取的不同尺度的第二特征,i=1、2、3、4;Cat表示特征图在通道空间上的拼接;pool表示池化操作。5.如权利要求1所述的基于深度学习的医学图像分割方法,其特征在于:所述图像分割网络模型的输出包括两个部分,一部分是输出的医学图像的分割结果,另一个是医学图像
与编码器单元第一层联合之后的特征图,该特征图用于计算图像像素关联度的损失函数。6.如权利要求5所述的基于深度学习的医学图像分割方法,其特征在于:步骤S3中,所述交叉熵损失函数用于优化全局网络模型参数,损失的目标即为使得分割结果接近给出的标签结果,然后通过反向传播的方式优化整...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。