一种基于全分辨率表示网络的医学图像分割方法技术

本发明专利技术公开了一种基于全分辨率表示网络的医学图像分割方法，在整个图像分割过程中保持全分辨率表示。首先，本发明专利技术将原始分辨率图像按照不同阶段划分为不同尺寸的图像块，利用现代卷积神经网络中高效灵活的元件（例如：空洞卷积和残差连接）提取从大尺寸到小尺寸图像块的局部特征；然后，设计了一种用于显式建模图像块之间长期依赖关系的多层感知器模块，以弥补卷积运算造成的固有感应偏差；最后，本发明专利技术进行了多次多尺度融合，使得每个阶段接收来自并行路径的表示信息，从而产生丰富的全分辨率表示。本发明专利技术为基于全分辨率表示的研究提供一种改进思路，能够解决真实场景下皮肤癌、细胞核和肺部医学图像分割的问题。胞核和肺部医学图像分割的问题。胞核和肺部医学图像分割的问题。

【技术实现步骤摘要】
一种基于全分辨率表示网络的医学图像分割方法


[0001]本专利技术涉及图像处理领域的医学图像分割技术，特别涉及一种基于全分辨率表示网络的医学图像分割方法。

技术介绍

[0002]医学图像分割在计算机辅助诊断中起着关键作用，其目的是提取图像中感兴趣的区域，如组织，器官，病理学和生物结构等。目前流行的分割任务包括细胞分割、皮肤损伤分割、肺分割和心脏分割等。在通常的实践中，分割由领域专家手动执行，这种人工操作既费时又费力。随着医学成像技术的发展，医学图像的样本量和多样性快速增加，且感兴趣区域的形状和尺寸多变，手动分割已经不能满足实际需求。因此，开发自动、准确和鲁棒的医学图像分割方法具有重要意义。
[0003]最近，基于深度学习的方法在图像分类、目标检测和语义分割等领域取得了令人满意的结果。就语义分割任务而言，最先进的方法依赖于完全卷积网络的编码器
‑
解码器体系结构。例如U型网络(U
‑
Net)利用编码器网络学习高级语义表示，解码器从高级表示中恢复丢失的空间信息。同时，跳跃连接用于重复使用高分辨率的特征映射和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全分辨率表示网络的医学图像分割方法，其特征在于，包括如下步骤：步骤1)挑选公开的医学图像分割数据集，并对数据集中的训练集进行预处理；步骤2)构建图像块卷积模块对图像块的局部特征进行挖掘；步骤3)构建特征重建模块实现对图像块的多尺度融合，完成全分辨率表示网络两个分支的相互转换；步骤4)构建多层感知器模块建模图像块之间的长期依赖关系；步骤5)设计由图像块卷积模块、特征重建模块、多层感知器模块三个部分组成图像分割框架，实现医学图像的分割。2.根据权利要求1所述的基于全分辨率表示网络的医学图像分割方法，其特征在于，所述步骤1)中，数据集分别为：kaggle 2018data science bowl，Retinal lmages vessel Tree Extraction和GLAnd Segmentation；对数据集中的训练集进行预处理为：将所有图像调整为216
×
216像素大小的图像块。3.根据权利要求1所述的基于全分辨率表示网络的医学图像分割方法，其特征在于，所述步骤2)构建图像块卷积模块对图像块的局部特征进行挖掘具体过程如下：步骤2.1)将图像块卷积模块的输入特征映射表示为：M
in
∈R
N,C,H,W
其中，M
in
表示预处理后的图像块，N为批量大小，C表示通道数量，H和W分别为图像的高度和宽度；步骤2.2)将M
in
划分为一系列大小为(H/2
i
,W/2
i
)和(H/3
i
‑1,W/3
i
‑1)的图像块，i表示该模块的阶段数，i≥0；所述图像块的数量随阶段数增加而逐渐增多，且分辨率为上一阶段的1/2或1/3；划分成图像块的操作通过以下三步完成：
①
将M
in
∈R
N
×
C
×
H
×
W
重建为(N,C,2
i
,H/2
i
,2
i
,W/2
i
)大小；
②
重新将轴的顺序排列为(N,2
i
,2
i
,C,H/2
i
,W/2
i
)大小；
③
最后将(N,C,2
i
,H/2
i
,2
i
,W/2
i
)重建为步骤2.3)将每个图像块按照通道的维度排列，并用一组具有残差连接的共享卷积作用于M
p
，输出结果M
conv
，用以下公式表示：其中，n表示图像块数量，[
……
]表示沿通道方向拼接，C为卷积的输出通道数，K为卷积核大小，D是扩张率，随循环次数增大为原来的两倍，P为要填充的像素数，M
p
表示对输入特征图的重建结果，表示对第n个图像块输入特征图的重建结果；步骤2.4)使用层归一化对M
conv
进行规范化得到局部特征图像块4.根据权利要求3所述的基于全分辨率表示网络的医学图像分割方法，其特征在于，所述步骤3)中，特征重建模块的处理过程如下：...

【专利技术属性】
技术研发人员：朱敏，高承睿，程俊龙，杨勇，明章强，
申请(专利权)人：四川大学，
类型：发明
国别省市：