一种建立基于改进U-Net网络的颈部超声图像分割方法技术

一种建立基于改进U

【技术实现步骤摘要】
一种建立基于改进U
‑
Net网络的颈部超声图像分割方法


[0001]本专利技术涉及一种建立图像分割的方法，具体涉及一种建立基于改进U
‑
Net网络的颈部超声图像分割方法。

技术介绍

[0002]超声图像作为目前常用的医疗诊断手段之一，对辅助医生诊断该类病情具有重要意义。在超声医学诊断的临床实践中，专业医学人员通过判读超声影像中正中神经的位置、形态、灰度、纹理等相关信息，给出诊断建议和结果。但人工判读超声图像很大程度上依赖医生的主观经验知识，耗时耗力。随着人工智能技术的不断发展，很多基于深度学习的计算机图像分割算法被应用于医学图像领域，以自动判断目标病灶在图像中的位置。图像分割作为为智能诊断的首要环节，能为后续的量化分析与疾病鉴别作好扎实铺垫。
[0003]高精度的分割不仅可以增加医生对于患者颈部疾病情况的把控程度，还能提高后续颈部椎骨三维重建效果，做到最大化还原患者颈部形态。医学图像分割有很多常用的方法，比如基于区域分割的方法，基于边缘分割的方法等，其中U
‑
Net因其分割小目标效果较好、结构具有可扩展性，自提出以来受到广泛关注。但是由于医学图像自身的特点以及成像环境的影响，会出现灰度不均匀、个体差异大、伪影和噪声大等情况，经典的图像分割方法的思路都是针对于图像的某个特征进行分割，无法做到最大化利用图像信息分割，这样就造成分割的局限性，在分割精度上还有提升空间。所以图像分割技术的发展和进步对医学图像分割技术影响重大，因此，如何有效的分割病理图像不光对学术更是对医学上有着重要的意义。所以本专利技术进行了如下技术改进。

技术实现思路

[0004]本专利技术的目的是为了解决现有的图像分割方法在医疗图像上应用不足的问题，而提出一种建立基于改进U
‑
Net网络的颈部超声图像分割方法。
[0005]一种建立基于改进U
‑
Net网络的颈部超声图像分割方法，所述方法包括以下内容：
[0006]构建颈部超声图像数据集，数据集包括train部分和test部分；
[0007]对数据集进行预处理；所述的预处理包括对图像进行滤波、图像增强和去噪；
[0008]引入三个SE模型扩展结构，改进U
‑
Net网络结构；
[0009]引入三个SE模型扩展结构从信道和空间两个维度提升网络的分割性能，利用可变形卷积块作为U
‑
Net网络的编码器和编码器分别进行图像的上采样和下采样，加入Droupout层，防止过拟合；并进行改进损失函数的操作。
[0010]优选地，所述的滤波操作采用小波阈值去噪法的过程具体是：
[0011]将信号通过Mallat算法处理过的小波变换后，选择产生的小波系数；设定阈值，大于阈值的小波系数被认为是有信号产生的，应予以保留，小于阈值的则归为是噪声产生，置为0从而达到去噪的目的。
[0012]优选地，所述的引入三个SE模型扩展结构从信道和空间两个维度提升网络的分割
性能，利用可变形卷积块作为U
‑
Net网络的编码器和编码器分别进行图像的上采样和下采样，加入Droupout层，防止过拟合；并进行改进损失函数的操作；具体为：
[0013]第一、所述的U
‑
Net的结构为：
[0014]U
‑
Net的整体网络结构是对称的，包含了从图像中提取特征图的编码器，以及在编码的特征图中构造的解码器；编码器遵循卷积神经网络的规则，涉及两个3
×
3卷积操作，步长为2的2
×
2最大池化操作；编码层有四层，每次下采样后，卷积层中的卷积核数目加倍，执行最后两个3
×
3卷积操作后，将编码器拼接到解码器上；另一方面，解码器首先使用2
×
2的转置卷积对特征图进行上采样，将特征图的通道数减少一半，再执行两个3
×
3卷积操作；连续的上采样和两次卷积操作重复四次，使每个阶段的卷积核数目都减半，最后执行1
×
1卷积操作来生成最终网络预测结果；此网络结构中的所有卷积层使用Relu激活函数，最后一层使用Sigmoid激活函数；U
‑
Net最巧妙的操作是引入了长连接，从图中的横向灰色箭头来看，有四个长连接；在编码器的池化操作之前，将卷积层的输出与上采样操作后的输出进行串联，拼接后的特征图再传入到下一层；这些长连接可以帮助网络检索丢失的图像信息，有助于提高模型的性能；
[0015]第二、设计改进U
‑
Net网络结构；
[0016]1)、引入3个SE模型扩展结构，分别串联在U
‑
Net的编码和解码结构中；第1种SE模型扩展结构是信道SE(cSE)，通过全局池化提取最能表现特征的通道，再将信息融合到原有的tensor中；第2种SE模型扩展结构是空间SE(aSE)，提取一张特征图划分特征区域，再将特征区域信息融合到原有的tensor中；第3种是SE模型扩展结构同时进行空间和信道SE(acSE)，是cSE与sSE的合并输出；
[0017]给定一个输入x，其特征通道数为c_1，通过一系列卷积等一般变换后得到一个特征通道数为c_2的特征；通过三个操作来重标定前面得到的特征：
[0018]首先，进行Squeeze操作，顺着空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配；表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野，这一点在很多任务中都是非常有用的；
[0019]其次，进行Excitation操作，通过参数来为每个特征通道生成权重，其中参数被学习用来显式地建模特征通道间的相关性；
[0020]最后，进行Reweight操作，将Excitation输出的权重看做是进过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定；
[0021]2)、用可变形卷积块作为编码器、解码器的每一个单元，可变形卷积块通过学习局部、密集和自适应的感受野来模拟不同形状和尺度的视网膜血管，加入可变形卷积块的Droupout层作为U
‑
Net网络之后的核心；
[0022]在每个卷积块和反卷积块后添加Droupout层，一共有四个输入X
i
，一个输出y；Droupout在每一个batch的训练当中随机减掉一些神经元，设定每一个神经网络层进行Droupout层的概率，根据相应的概率拿掉一部分的神经元，然后训练时更新没有被拿掉神经元及其权重的参数，将其保留，从而得到第一个batch进行训练的结果。
[0023]优选地，所述的改进损失函数的操作具体为：
[0024]设定：
[0025][0026][0027]Cos
‑
Di本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建立基于改进U
‑
Net网络的颈部超声图像分割方法，其特征在于：所述方法包括以下内容：构建颈部超声图像数据集，数据集包括train部分和test部分；对数据集进行预处理；所述的预处理包括对图像进行滤波、图像增强和去噪；引入三个SE模型扩展结构，改进U
‑
Net网络结构；引入三个SE模型扩展结构从信道和空间两个维度提升网络的分割性能，利用可变形卷积块作为U
‑
Net网络的编码器和编码器分别进行图像的上采样和下采样，加入Droupout层，防止过拟合；并进行改进损失函数的操作。2.根据权利要求1所述的一种建立基于改进U
‑
Net网络的颈部超声图像分割方法，其特征在于：所述的滤波操作采用小波阈值去噪法的过程具体是：将信号通过Mallat算法处理过的小波变换后，选择产生的小波系数；设定阈值，大于阈值的小波系数被认为是有信号产生的，应予以保留，小于阈值的则归为是噪声产生，置为0从而达到去噪的目的。3.根据权利要求2所述的一种建立基于改进U
‑
Net网络的颈部超声图像分割方法，其特征在于：所述的引入三个SE模型扩展结构从信道和空间两个维度提升网络的分割性能，利用可变形卷积块作为U
‑
Net网络的编码器和编码器分别进行图像的上采样和下采样，加入Droupout层，防止过拟合；并进行改进损失函数的操作；具体为：第一、所述的U
‑
Net的结构为：U
‑
Net的整体网络结构是对称的，包含了从图像中提取特征图的编码器，以及在编码的特征图中构造的解码器；编码器遵循卷积神经网络的规则，涉及两个3
×
3卷积操作，步长为2的2
×
2最大池化操作；编码层有四层，每次下采样后，卷积层中的卷积核数目加倍，执行最后两个3
×
3卷积操作后，将编码器拼接到解码器上；另一方面，解码器首先使用2
×
2的转置卷积对特征图进行上采样，将特征图的通道数减少一半，再执行两个3
×
3卷积操作；连续的上采样和两次卷积操作重复四次，使每个阶段的卷积核数目都减半，最后执行1
×
1卷积操作来生成最终网络预测结果；此网络结构中的所有卷积层使用Relu激活函数，最后一层使用Sigmoid激活函数；U
‑
Net最巧妙的操作是引入了长连接，从图中的横向灰色箭头来看，有四个长连接；在...

【专利技术属性】
技术研发人员：刘明珠，付聪，张晓琢，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：