一种基于CNUNet3+网络的图像语义分割方法技术

本发明专利技术公开了一种基于CNUNet3+网络的图像语义分割方法，所述分割方法包括：构建CNUNet3+网络模型，网络模型为U形结构，采用编码器

【技术实现步骤摘要】
一种基于CNUNet3+网络的图像语义分割方法


[0001]本专利技术属于图像分割领域，涉及一种基于CNUNet3+网络的图像语义分割方法。

技术介绍

[0002]临床常用的医学影像包括 X 射线、计算机断层扫描CT、磁共振MRI以及超声。相比一般的自然图像，医学影像具有特殊性、复杂性。相比于自然图像，医学影像不同部分之间的区分往往极小。医学影像一般为黑白图像。在医学图像中，一张腹部CT图片中，肝、脾、肾、胃等器官的颜色都差不多，往往很难区分。假如在肝脏出现了肿瘤，肿瘤部分的颜色与其余部分的颜色也只有细微差别，这种细微的差别只有医学专业人士才能区分，普通人很难进行区分，这就导致了医学影像的图像分割的复杂性。
[0003]在医学影像诊断方面，需要识别病人的病灶区域。例如肝脏肿瘤诊断，需要识别出肝脏中的肿瘤部位，并把肿瘤部位在图像中标注出来，这就是医学图像分割技术。医疗影像诊断常常依赖于阅片医生的水平和经验，存在主观性强、重复性低等问题。计算机图像处理技术能够帮助医生提升诊断准确性，提升阅片效率。
[0004]随着以深度学习为代表的人工智能技术快速发展，医疗影像已经成为人工智能一个重要的应用领域。近年来，深度学习在图像分割领域占据了主导地位，也成了医学图像分割技术的主流。
[0005]在深度学习的各种算法中，卷积神经网络（Convolutional NeuralNetwork）一直是图像处理的主角。2015年，Jonathan Long等人提出了全卷积网络（Fully Convolutional Networks，FCN）。由于FCN的优越性能，此后，大量基于FCN的深度学习方法被提出。例如融合了编解码方法的UNet、SegNet，融合了注意力机制的方法DANet与CCNet，采用空洞卷积的DeepLab方法等。
[0006]在医学图像分割的方法中，以UNet网络最为经典。2015年，Olaf Ronneberger等人提出了UNet网络。UNet网络的编码部分提取高层特征，解码部分恢复图像空间信息，并融合了跳跃连接ResNet，融合了高层和低层特征。UNet网络图像分割相对精确，且网络结构简单。UNet网络在医学图像分割研究中得到了广泛应用。
[0007]在原始UNet网络的基础上，各种变体层出不穷。这些变体之中，最重要的是UNet++网络与UNet3+网络。
[0008]2018年，周纵苇等人提出UNet++网络。UNet++可以从不同深度的结构中提取不同的特征，并结合DenseNet网络，使用不同长度的跳跃连接。UNet网络同样在医学图像分割研究中得到了广泛应用。
[0009]2020年，Huimin Huang等人提出了UNet3+网络。UNet3+结构图中的左臂代表编码过程，右臂代表解码过程。UNet3+结构图中的圆圈表示神经元节点，圆圈下面的数字表示该节点的输出通道数。在编码过程中，深度每多一层，输出通道数翻倍。
[0010]相比医学图像分割的其它方法，UNet3+性能较为优越。但是由于神经元数量过少，当样本数较少的时候，对细小目标的分割还不是十分理想。

技术实现思路

[0011]本专利技术为了解决上述问题，提出了一种基于CNUNet3+网络的图像语义分割方法。将本方法用于医学图像分割，尤其是X 射线图与CT图的分割，可以把细小的病灶区域分割出来，从而辅助影像医生诊断病情。所述方法具体包括：构建CNUNet3+网络模型，所述CNUNet3+网络模型为U形结构，采用编码器
‑
解码器结构；深度为N，N为大于等于3的正整数；所述U形结构左臂为编码器，右臂为解码器；所述编码器的深度每加深一层，通道数翻倍；编码器的相邻节点之间使用降采样运算，解码器的相邻节点之间使用升采样运算，解码器节点之间使用密集连接；第一层至第L层每层均插入一个中央节点，；编码器节点与中央节点处于相同深度时，采用卷积运算；编码器节点与中央节点处于不同深度时，采用降采样运算；中央节点与解码器节点处于相同深度时，采用卷积运算；中央节点与解码器节点处于不同深度时，采用降采样运算；无中央节点层的编码器和解码器的节点之间采用卷积计算，所述编码器节点、中央节点与解码器节点均为神经元节点；将训练集数据输入到所述CNUNet3+网络模型中，对所述CNUNet3+网络模型进行训练，所述训练集数据由原始图像和已标记了分割结果的图像作为训练集样本；对待分割图像进行预处理，将所有待分割图像修改为相同尺寸；使用训练后的CNUNet3+网络模型对待分割图像进行分割。
[0012]进一步的，所述中央节点的计算公式为：其中， 表示位于第i层的中央节点；表示第i层的编码器节点；M表示中央节点的个数；表示降采样运算； 表示卷积运算；表示连接运算；表示混合集成运算，先执行卷积运算，再执行批标准化运算，再执行ELU激活；式中。
[0013]进一步的，所述CNUNet3+网络模型采用ELU激活函数。
[0014]进一步的，使用最大汇聚法进行降采样。
[0015]进一步的，使用双线性插值法进行升采样。
[0016]本专利技术相比UNet3+网络，增加了多个中央节点，对UNet3+网络节点数量过少的缺点进行了修正；同时在网络节点的连接方式上做了重大改变。相比UNet++网络，节点数目大量降低，参数数量也大量降低。使用本方法进行医学X射线图与CT图分割时，当样本数量较少时，依然有良好的表现。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0018]图1为一种CNUNet3+网络模型，其中编码器有五层深度，中央有三个节点；图2为一种CNUNet3+网络模型，其中编码器有五层深度，中央有两个节点；图3为一种CNUNet3+网络模型，其中编码器有五层深度，中央只有一个节点；
图4为一种CNUNet3+网络模型，其中编码器有四层深度，中央有两个节点；图5为一种CNUNet3+网络模型，其中编码器有四层深度，中央只有一个节点。
具体实施方式
[0019]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。
[0020]本专利技术提供的一种基于CNUNet3+网络的图像语义分割方法，可用于样本数量较少的情况下，所述方法包括：第一步，构建CNUNet3+网络模型。
[0021]所述CNUNet3+网络模型为U形结构，采用编码器
‑
解码器结构；深度为N，N为大于等于3的正整数；所述U形结构左臂为编码器，右臂为解码器；所述编码器的深度每加深一层，通道数翻倍；编码器的相邻节点之间使用降采样运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网络的图像语义分割方法，其特征在于，所述方法包括：构建网络模型，所述网络模型为U形结构，采用编码器
‑
解码器结构；深度为N，N为大于等于3的正整数；所述U形结构左臂为编码器，右臂为解码器；所述编码器的深度每加深一层，通道数翻倍；编码器的相邻节点之间使用降采样运算，解码器的相邻节点之间使用升采样运算，解码器节点之间使用密集连接；第一层至第L层每层均插入一个中央节点，；编码器节点与中央节点处于相同深度时，采用卷积运算；编码器节点与中央节点处于不同深度时，采用降采样运算；中央节点与解码器节点处于相同深度时，采用卷积运算；中央节点与解码器节点处于不同深度时，采用降采样运算；无中央节点层的编码器和解码器的节点之间采用卷积计算，所述编码器节点、中央节点与解码器节点均为神经元节点；将训练集数据输入到所述网络...

【专利技术属性】
技术研发人员：张斌，欧阳红林，朱颖达，刘其圣，
申请(专利权)人：湖南大学，
类型：发明
国别省市：