基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法制造方法及图纸

本发明专利技术公开了一种基于改进UNET神经网络的医学图像分割装置，该医学图像分割装置基于改进UNET的USNET网络，包括多个卷积子网和一个输出卷积层；多个所述卷积子网具有尺寸不小于3

【技术实现步骤摘要】
基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法


[0001]本专利技术涉及一种医学图像的分析方法，特别是指一种基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法。

技术介绍

[0002]子宫内膜疾病是女性常见的生殖系统疾病，包括子宫内膜息肉、粘膜下肌瘤、内膜典型或非典型增生、子宫内膜癌。子宫内膜良性病变发病率高，所引起非经期点滴出血、经期延长、经量增多等症状严重影响女性的正常生活。I期子宫内膜癌的五年生存率可高达90％，而晚期转移性患者五年生存率则低于20％。因此，对于内膜疾病的早期诊断和治疗是降低子宫内膜恶性肿瘤危害的最有效方法。
[0003]超声子宫体图像分析是筛查和诊断子宫内膜疾病的最重要工具，但是子宫体超声图像的准确分析依赖超声检查医师的经验，不同超声检查医师或技师的分析结果差别大，严重影响妇科大夫对子宫内膜疾病的准确诊断和治疗。
[0004]深度学习算法是一种人工智能领域的机器学习方法，它含有多隐层的多层感知器，是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，深度学习方法目前已经在图像识别，信号识别等应用领域里被证明了它的有效性，能够大幅度提高了传统方法的识别精度。
[0005]相比CT,MRI等图像，子宫内膜超声图像分辨率和对比度较低，现有深度学习网络如HRNet难以有效地针对各类子宫内膜疾病患者的子宫体超声图像进行分析并得出较好结果。

技术实现思路

[0006]本专利技术的目的在于提供一种可有效处理低分辨率、低对比度医学图像的基于改进UNET神经网络的医学图像分割装置及采用该装置的子宫体超声图像分析方法。
[0007]为实现上述目的，本专利技术所提供的基于改进UNET神经网络的医学图像分割装置，该装置以硬件或软件形式实现基于改进UNET的USNET网络(USNET系本专利技术自定义名称)，所述USNET网络包括多个卷积子网和一个输出卷积层；多个所述卷积子网具有尺寸不小于3
×
3的卷积核，其尺寸从输入到输出逐步增大；每个所述卷积子网的最后均有1个池化层，所述池化层的最大池化操作步长设置为1，不使用降采样和升采样。
[0008]优选地，所述卷积子网的数量为3个，首尾依次相连；每个卷积子网均包括6个卷积层和1个池化层，3个所述卷积子网的卷积层的卷积核尺寸依次为3
×
3、5
×
5和7
×
7；所述输出卷积层包括1个卷积层，其卷积核尺寸为1
×
1。
[0009]优选地，每个卷积子网的卷积层分为3组，每组包括1～4个卷积层。
[0010]优选地，该USNET网络还使用残差构造，连接不同尺度，通过提取不同层次的特征图来获得混合语义信息用于图像分割，加速训练过程。
[0011]优选地，各所述池化层的最大池化操作尺寸＝(对应卷积子网的卷积核大小+1)。
[0012]本专利技术同时提供了一种应用前述任一种医学图像分割装置的子宫体超声图像分析方法，包括超声图像分割过程，用于对子宫浆膜和子宫内膜的分割，该过程包括如下步骤：
[0013]1.1)将包含子宫浆膜和子宫内膜的待分割超声图像转换为灰度格式；
[0014]1.2)将所得灰度超声图像输入训练好的分割神经网络中，对子宫浆膜和子宫内膜进行分割，具体采用如下任一方法：
[0015]a.采用分割神经网络A0同时分割出子宫浆膜和子宫内膜；
[0016]b.采用分割神经网络A1分割出子宫浆膜，采用分割神经网络A2分割出子宫内膜；
[0017]各所述分割神经网络均采用所述USNET网络；
[0018]1.3)对分割结果进行后处理，去除子宫内膜错误分割结果。
[0019]优选地，所述步骤1.2)中，各分割神经网络的训练包括如下步骤：
[0020]a.输入包含特征区域的超声图像，所述特征区域为子宫浆膜和/或子宫内膜；
[0021]b.经手工标注描画，提取特征区域；并将图像转换为灰度格式；
[0022]c.将步骤b得到的图像数据分训练数据集和测试数据集，对于训练数据集进行图像增强处理，即进行旋转、镜像和照度调整，以增加训练数据集的数据量；
[0023]d.将训练数据集输入分割神经网络进行训练；
[0024]e.使用测试数据集测试步骤d训练好的分割神经网络，若测试结果不满足要求则回到步骤a，增加训练用原始数据，并调整训练参数来改进分割神经网络，重新训练分割神经网络，直至测试结果满足要求。
[0025]优选地，所述步骤1.3)中，后处理具体包括以下步骤：
[0026]a.采用数字形态滤波器，进行腐蚀和膨胀处理，去除子宫浆膜错误分割结果；
[0027]b.采用数字形态滤波器进行腐蚀和膨胀处理，去除子宫浆膜分割范围以内的子宫内膜错误分割结果。
[0028]优选地，该方法还包括图像测量过程，用于子宫内膜或占位性肿瘤的大小测量，其包括如下步骤：
[0029]2.1)在所述步骤1.3)得到的子宫内膜分割结果中，提取子宫内膜外轮廓；
[0030]2.2)搜索分割的子宫内膜内，距离子宫内膜外轮廓平均距离最大的点，作为最大内切圆圆心；
[0031]2.3)最大内切圆直径即为子宫内膜或占位性肿瘤大小(分别对应非癌内膜与含癌内膜)。
[0032]优选地，该方法还包括自动分类过程，用于对子宫内膜的超声图像进行分类，其包括以下步骤：
[0033]3.1)将包含子宫内膜的待分类超声图像转换为灰度格式；
[0034]3.2)将所得灰度超声图像输入训练好的分类神经网络中进行图像分类，具体采用如下任一方法：
[0035]a.采用一个分类神经网络B0同时识别正常内膜超声图像、含息肉内膜超声图像和含癌内膜超声图像；
[0036]b.采用分类神经网络B1识别正常内膜超声图像与病变内膜超声图像，针对后者再
采用分类神经网络B2识别含息肉内膜超声图像与含癌内膜超声图像；
[0037]c.采用分类神经网络B3识别含癌内膜超声图像与非癌内膜超声图像，针对后者再采用分类神经网络B4识别正常内膜超声图像与含息肉内膜超声图像。
[0038]优选地，所述步骤3.2)中，各分类神经网络均采用Resnet50网络，Resnet50网络包含残差环节、且具有更好的特征提取能力和收敛特性。其训练过程包括如下步骤：
[0039]a.输入包含子宫内膜的超声图像；
[0040]b.经手工标注不同类别的内膜超声图像；并将图像转换为灰度格式；
[0041]c.将步骤b得到的灰度图像数据分为训练数据集和测试数据集，对于训练数据集进行图像增强处理，即进行图像旋转、镜像和照度调整，以增加训练数据集的数据量；
[0042]d.使用训练数据集，对预训练后的分类神经网络进行训练，并引入损失函数克服数据不平衡造成的分类误差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进UNET神经网络的医学图像分割装置，该装置以硬件或软件形式实现基于改进UNET的USNET网络，其特征在于：所述USNET网络包括多个卷积子网(2)和一个输出卷积层(5)；多个所述卷积子网(2)具有尺寸不小于3
×
3的卷积核，其尺寸从输入到输出逐步增大；每个所述卷积子网(2)的最后均有1个池化层(3)，所述池化层(3)的最大池化操作步长设置为1，不使用降采样和升采样。2.根据权利要求1所述的医学图像分割装置，其特征在于：所述卷积子网(2)的数量为3个，首尾依次相连；每个卷积子网均包括6个卷积层和1个池化层(3)，3个所述卷积子网(2)的卷积层的卷积核尺寸依次为3
×
3、5
×
5和7
×
7；所述输出卷积层包括1个卷积层，其卷积核尺寸为1
×
1。3.根据权利要求1所述的医学图像分割装置，其特征在于：每个卷积子网(2)的卷积层分为3组，每组包括1～4个卷积层；该USNET网络还使用残差构造，连接不同尺度，通过提取不同层次的特征图来获得混合语义信息用于图像分割，加速训练过程。4.根据权利要求1～3中任一项所述的医学图像分割装置，其特征在于：各所述池化层(3)的最大池化操作尺寸＝(对应卷积子网的卷积核大小+1)
÷
2。5.一种应用权利要求1～4中任一项所述医学图像分割装置的子宫体超声图像分析方法，其特征在于：包括超声图像分割过程，用于对子宫浆膜和子宫内膜的分割，其包括如下步骤：1.1)将包含子宫浆膜和子宫内膜的待分割超声图像转换为灰度格式；1.2)将所得灰度超声图像输入训练好的分割神经网络中，对子宫浆膜和子宫内膜进行分割，具体采用如下任一方法：a.采用分割神经网络A0同时分割出子宫浆膜和子宫内膜；b.采用分割神经网络A1分割出子宫浆膜，采用分割神经网络A2分割出子宫内膜；各所述分割神经网络均采用所述USNET网络；1.3)对分割结果进行后处理，去除子宫内膜错误分割结果。6.根据权利要求5所述的子宫体超声图像分析方法，其特征在于：所述步骤1.2)中，各分割神经网络的训练包括如下步骤：a.输入包含特征区域的超声图像，所述特征区域为子宫浆膜和/或子宫内膜；b.经手工标注描画，提取特征区域；并将图像转换为灰度格式；c.将步骤b得到的图像数据分训练数据集和测试数据集，对于训练数据集进行图像增强处理，即进行旋转、镜像和照度调整，以增加训练数据集的数据量；d.将训练数据集输入分割神经网络进...

【专利技术属性】
技术研发人员：王世宣，汪雯雯，周琴，朱欣，
申请(专利权)人：公立大学法人会津大学，
类型：发明
国别省市：