一种适用于医学图像分割任务的一阶段由粗到细的分割方法技术

本发明专利技术提出一种适用于医学图像分割任务的一阶段由粗到细的分割方法，包括训练过程和测试过程，具体包括：步骤S1、训练步骤：步骤S11、在训练过程中，首先在原始的图像上采用滑动窗口的方法进行体数据块patches的生成；步骤S12、利用上述生成的体数据块patches进行CNN模型的粗训练，当CNN模型能够生成稳定的预测结果或者训练达到设定的迭代次数时，利用当前优化状态下的CNN模型对训练数据集进行预测；步骤S13、然后通过预测结果和原始的标注结果来获取ROIs，在选取的ROIs采用滑动窗口的方法进行新体数据块patches的生成；步骤S14、利用新生成的体数据块patches进行模型的进一步细化优化；步骤S2、输入3D数据，采用一阶段的由粗到细节的测试方法进行分割测试。粗到细节的测试方法进行分割测试。粗到细节的测试方法进行分割测试。

A one-stage coarse to fine segmentation method for medical image segmentation

【技术实现步骤摘要】
一种适用于医学图像分割任务的一阶段由粗到细的分割方法


[0001]本专利技术涉及深度学习
，具体一种适用于医学图像分割任务的一阶段由粗到细的分割方法。

技术介绍

[0002]卷积神经网络(convolutional neural networks,CNNs)凭借其强大的特征提取能力已经取代传统的方法(例如水平集、阈值分割等)成为医学图像处理的主流。并且，CNNs技术的快速更新进一步吸引越来越多的研究者加入进来。尽管基于CNNs的方法已经在多个医学图像分割任务中取得了很大的进展(例如肝脏分割、肾脏分割等)，但是一些小器官或者病灶(例如胰腺、动脉瘤等)的准确分割仍然是一个富有挑战性的任务。这主要是由于：1)此类器官或者病灶很小，在分割的过程中面临严重的前景
‑
背景不平衡问题；2)目标的大小、位置、形态多变，对空间的依赖性大；3)目标器官或者病灶和周围的组织差异较小，导致准确分割难度大(图1)。目前常采用基于多阶段的由粗到细(multi
‑
stage coarse
‑
to
‑
fine,MSCF)的分割策略来解决上述问题，如图2所示，MSCF首先利用粗分割模型来获得目标的大致位置信息，提取感兴趣区域(region ofinterests,ROIs)然后利用精分割模型对ROIs区域进行精细的分割。尽管MSCF方法能有效的缓解样本不平衡问题，提高分割效果，但是MSCF方法存在以下几个内在的缺陷：1)基于MSCF的方法需要多个训练好的模型(≥2)，此外当MSCF方法和其他的多模型方法进行结合时需要的模型会更多，这在一定程度上增加了分割系统的复杂度和存储的负担；MSCF方法忽略了粗分割和精细分割之间的关联性，在精细分割阶段只有ROIs的位置信息被利用，其他的例如丰富的语义信息则完全被舍弃，这造成了严重的训练资源浪费；3)MSCF方法忽略了粗分割模型和精细分割模型之间的相关性，在训练阶段这二者是完全独立的，但是在测试阶段，需要二者之间进行紧密的合作。精细分割的效果在很大程度上依赖于粗分割的效果，错分和漏分将造成不可避免的损失。

技术实现思路

[0003]本专利技术提出了一种适用于医学图像分割任务的一阶段由粗到细分割方法，以解决多阶段由粗到细方法中存在的相关问题，提高分割的精度。本专利技术发现在粗分割和精细分割之间最大的差异来自于数据，而非模型本身，因此本专利技术完全可以通过数据的调控将多阶段的网络融入到一阶段中。
[0004]本专利技术的技术方案为：一种一阶段的由粗到细的分割方法，包括训练过程和测试过程，通过数据流的调控将由粗到细的分割策略应用于不同的训练epoch中，具体包括：
[0005]步骤S1、训练步骤：
[0006]步骤S11、在训练过程中，首先在原始的图像上采用滑动窗口的方法进行体数据块patches的生成；
[0007]步骤S12、利用上述生成的体数据块patches进行CNN模型的粗训练，当CNN模型能够生成稳定的预测结果或者训练达到设定的迭代次数时，利用当前优化状态下的CNN模型
对训练数据集进行预测；
[0008]步骤S13、然后通过预测结果和原始的标注结果来获取ROIs，在选取的ROIs采用滑动窗口的方法进行新体数据块patches的生成；
[0009]步骤S14、利用上述新生成的体数据块patches进行模型的进一步细化优化；
[0010]步骤S2、输入3D数据，采用一阶段的由粗到细的测试方法进行分割测试。
[0011]有益效果：
[0012]1)本专利技术一阶段由粗到细的分割方法，通过数据流的控制有效的将粗到细的分割策略应用于不同的训练epoch中，这样处理能有效地降低模型数量，进而降低整个分割体系的复杂度，便于深度学习方法的落地；
[0013]2)一阶段由粗到细的分割方法，有效地促进了数据信息的交互，同时多个角度的采样有效地利用了医学图像的空间信息，有效地提高了模型的分割效果；
[0014]3)在预测过程中只对不确定区域采样和进一步的迭代预测，在提高分割效果的同时有助于缓解滑动窗口方法带来的预测速度慢的问题。
附图说明
[0015]图1为小器官胰腺示意图；
[0016]图2为MSCF和OPCF策略示意图；
[0017]图3为一阶段由粗到细训练流程示意图；
[0018]图4为一阶段由粗到细测试流程示意图；
[0019]图5为分割结果示意图。
具体实施方式
[0020]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、完整的描述，显然，所描述的实施例仅为本专利技术的一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0021]本专利技术提出一种一阶段的由粗到细(OPCF)的分割方法，包括训练过程和测试过程；
[0022]如图2所示，和MSCF方法不同(将由粗到细的分割策略应用到不同的分割阶段)，一种一阶段的由粗到细(OPCF)方法通过数据流的调控将由粗到细的分割策略应用于不同的训练epoch中。
[0023]如图3所示，在训练过程中，本专利技术首先在原始的图像上采用滑动窗口的方法进行体数据块(patches)的生成。优选地在patches生成过程中以一定的概率随机地丢弃负样本patches，以缓解在训练过程中存在的样本不平衡问题，提升网络对目标区域的学习。
[0024]利用上述生成的体数据块patches进行CNN模型的训练(coarse epochs)，当前CNN模型可以生成稳定的预测结果或者训练达到设定的迭代次数时，利用当前优化状态下的CNN模型对训练数据集进行预测；
[0025]然后通过预测结果和原始的标注结果来获取ROIs，在选取的ROIs采用滑动窗口的方法进行新patch的生成。优选地，从不同的角度(横断面、矢状面、冠状面)，进行patches的
选择，这样处理：1)可以增加样本的数目，缓解模型过拟合；2)能更加有效地利用CT图像的空间信息，提高模型的分割效果。利用上述新生成的patches进行模型的进一步优化(fine
‑
epochs)，优选的本专利技术每隔3个epoch进行上述的ROIs提取、patches生成和模型优化过程，直到网络触发终止条件或者达到设定的epoch。通过样本处理能有效地将MSCF过程中多个训练模型有效地融合到一个模型中。
[0026]所述的测试过程，是指一种一阶段的由粗到细节的测试方法，为了提高分割的效果，再测试过程中也使用了由粗到细的策略。本专利技术首先在原始图像上利用滑动窗口的方法进行patches的生成，然后利用训练好的模型进行预测，获得粗分割结果y1。
[0027]然后根据粗分割的结果进行ROIs的选择，在ROIs通过滑动窗口的方法进行patches的生成。优选地，本专利技术上一阶段分割结果(y1)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于医学图像分割任务的一阶段由粗到细的分割方法，其特征在于：包括训练过程和测试过程，通过数据流的调控将由粗到细的分割策略应用于不同的训练epoch中，具体包括：步骤S1、训练步骤：步骤S11、在训练过程中，首先在原始的图像上采用滑动窗口的方法进行体数据块patches的生成；步骤S12、利用上述生成的体数据块patches进行CNN模型的粗训练，当CNN模型能够生成稳定的预测结果或者训练达到设定的迭代次数时，利用当前优化状态下的CNN模型对训练数据集进行预测；步骤S13、然后通过预测结果和原始的标注结果来获取ROIs，在选取的ROIs上采用滑动窗口的方法进行新体数据块patches的生成；步骤S14、利用上述新生成的体数据块patches进行模型的进一步细化优化；步骤S2、输入3D数据，采用一阶段的由粗到细节的测试方法进行分割测试。2.根据权利要求1所述的一种一阶段的由粗到细的分割方法，其特征在于：在patches生成过程中以一定的概率随机地丢弃负样本patches，以缓解在训练过程中存在的样本不平衡问题，提升网络对目标区域的学习。3.根据权利要求1所述的一种一阶段的由粗到细的分割方法，其特征在于：从不同的角度，包括横断面、矢状面、冠状面，进行体数据块patches的选择。4.根据权利要求1所述的一种一阶段的由粗到细的分割方法，其特征在于：所述步骤S14，每隔3个epoch进行上述的ROIs提取、patches生成和模型优化过程，直到网络触发终止条件或者达到设定...

【专利技术属性】
技术研发人员：刘荣，张勇，王翊，王宜主，
申请(专利权)人：安徽紫薇帝星数字科技有限公司，
类型：发明
国别省市：