一种并行多分辨率编解码网络模型及医学图像分割方法技术

一种并行多分辨率编解码网络模型及医学图像分割方法，该模型包括多条编码分支的并行多分辨率编码器、多分辨率上下文编码器及并行多分辨率解码器；其医学图像分割方法，首先，在并行多分辨率编码器分支中提取不同尺度图像特征，避免提取冗余特征，且充分地进行融合特征；其次，通过多分辨率上下文编码器，仅使用标准卷积操作提取多尺度上下文特征；最后，基于解码过程中由于上采样操作会丢失上下文特征的假设，提出将并行多分辨率解码器中小分辨率分支的全局上下文特征不断地补充到大分辨率分支的特征图；本发明专利技术能够被广泛地应用于待分割的医学图像数据集上，能够更准确地完成医学图像分割任务，其具有广阔的应用前景。其具有广阔的应用前景。其具有广阔的应用前景。

【技术实现步骤摘要】
一种并行多分辨率编解码网络模型及医学图像分割方法


[0001]本专利技术属于图像处理技术及模式识别领域，具体涉及一种并行多分辨率编解码网络模型及医学图像分割方法。

技术介绍

[0002]医学图像在临床诊断中发挥重要作用，尤其是在治疗计划、手术和预后评估方面。医学图像用于通过非侵入性观察人体器官来收集潜在的挽救生命的信息。快速且准确地识别并分割出医学图像中损伤组织是诊断分析的基础。伴随着医学图像设备的快速发展和普及，通过核共振成像(MRI)、计算机断层扫描(CT)、正电子发射断层扫描(PET)、数字病理学和显微技术提供医学成像信息。这些医学图像可以提供器官的特殊解剖视图。然而，放射科医生从这些医学图像中量化器官或病变并不容易。例如，CT和MRI是临床诊断中的两个重要诊断依据。两种图像都是3D格式，病变组织的分割需要在2D图像上逐切片进行。如果所有医学图像都由放射科医生手工标注，每张图像最多需要15分钟，这是一项耗时的任务，而且由于主观性可能造成评分者之间的一致性较低。因此，有必要开发能够定位、分割和量化病变组织的自动化方法。通过支持临床医生的决策本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种并行多分辨率编解码网络模型，包括多条编码分支的并行多分辨率编码器(A)，其特征在于：所述并行多分辨率编码器(A)对多个不同分辨率的输入图像提取多尺度特征，多分辨率上下文编码器(C)对并行多分辨率编码器(A)的深层网络中提取的多尺度上下文特征进行融合，融合后的特征图传送至并行多分辨率解码器(B)中进行解码，恢复与输入图像大小相同的输出概率图；所述并行多分辨率编码器(A)及并行多分辨率解码器(B)的并行线路2
‑
4条。2.一种基于权利要求1所述的并行多分辨率编解码网络模型的医学图像分割方法，其特征在于，具体分割步骤包括：步骤1、对待分割的医学图像x进行预处理，并对待分割的医学图像x进行训练前的超参数进行初始化；步骤2、对步骤1预处理后的不同分辨率的医学图像x0、x1和x2在所述并行多分辨率编码器(A)中进行编码，并行地提取网络中第i层的多尺度特征f
i
(x0)、f
i
(x1)和f
i
(x2)，其中i代表网络的第i层，且{i∈N|1≤i≤5}；步骤3、对步骤2提取的多尺度特征f
i
(x0)、f
i
(x1)和f
i
(x2)进行互相融合，其中i代表网络的第i层，且{i∈N|1≤i≤5}；步骤4、将特征图f
i
(x0)经过长短跳跃连接得到新的特征图f
i
^(x0)后传递到所述并行多分辨率解码器(B)中，其中i代表网络的第i层，且{i∈N|1≤i＜5}；步骤5、在多分辨率上下文编码器(C)中，对多尺度上下文特征f5(x0)、f5(x1)和f5(x2)进行融合；步骤6、在并行多分辨率解码器(B)中使用双线性插值方式进行上采样操作来解码恢复特征图大小；步骤7、对解码恢复特征图大小过程中的多尺度特征f
i
’
(x0)、f
i
’
(x1)、f
i
’
(x2)和f
i
^(x0)进行互相融合，其中i代表网络的第i层，且{i∈N|1≤i＜5}；步骤8、输出分割结果图。3.根据权利要求2所述的一种基于并行多分辨率编解码网络模型的医学图像分割方法，其特征在于，所述步骤1具体步骤主要包括：a)将输入图像x的RGB颜色空间的值域范围从[0，255]归一化到[0，1]范围；b)计算出训练数据集中输入图像x的RGB颜色空间的三通道的均值μ和方差σ，标准归一化输入图像x的分布后得到新分布图像x0；c)将步骤1第b)步得到的新分布图像x0进行两次下采样操作，分别得到图像x0的尺寸大小和尺寸大小的图像x1和图像x2，至此得到全部输入图像x0、x1和x2；d)设定并行多分辨率编解码网络模型，采用二元交叉熵损失和Dice损失的组合作为损失函数，采用Adam优化器，训练最大迭代次数范围为[100，300]，批量大小范围为[4，8]，初始学习率范围为[0.0001，0.0004]，动量为[0.85，0.95]和权重衰减值范围为[0.0001，0.0004]。4.根据权利要求2所述的一种基于并行多分辨率编解码网络模型的医学图像分割方法，其特征在于，所述步骤2中将图像x0、x1和x2分别作为并行多分辨率编码器(A)的输入，在并行多分辨率编码器(A)中的多条编码分支的每一层中并行地进行卷积、批归一化、非线性
激活函数和最大值池化的复合运算提取多尺度特征；其中，以图像x0作为输入的分支提取到富含细节信息的领域特征f
i
(x0)，以图像x1和x2作为输入的分支提取包含上下文信息的全局特征f
i
(x1)和f
i
(x2)。5.根据权利要求2所述的一种基于并行多分辨率编解码网络模型的医学图像分割方法，其特征在于，所述步骤3中所述多尺度特征f

【专利技术属性】
技术研发人员：杜晓刚，古东鑫，聂茵茵，曾杰鹏，雷涛，王营博，吴英豪，高学敏，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：