基于DSA-DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法技术

本发明专利技术涉及基于DSA

【技术实现步骤摘要】
基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法


[0001]本专利技术涉及医学影像处理
，具体来说是基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法。

技术介绍

[0002]多项研究表示，高危型(Human Papilloma Virus,HPV)感染是子宫颈癌发生的明确病因，早期HPV检测和液基细胞学检测的联合筛查手段可以很大程度上提高子宫颈上皮瘤变(Cervical Intraepithelial Neoplasia，CIN)，因此早期发现CIN对于预防疾病十分重要。阴道镜指导下的子宫颈活检是作为临床诊断子宫颈癌和子宫颈上皮细胞瘤变的金标准，是子宫颈癌及癌前病变筛查中非常重要的一个环节，对于子宫颈癌的早期发现、早期诊断、早期治疗尤为重要。
[0003]在医学影像诊断中，其中重要的一个环节就是需要识别出病人的病灶区域，对于可疑病变区域的分割对于辅助临床医生的诊断有着重要的作用。医学图像的手工分割需要操作医生具有丰富的专业知识和经验，此外，分割的精度也受到医生所处的时间地点个人状态等外界因素。计算机图像处理技术可以很大程度上客观准确的为医学图像提供一个病灶分割结果，从而帮助医生提升诊断准确性、提升阅片效率。在子宫颈鳞状上皮细胞的检测中，一个准确的病灶分割结果可以对需要活检的患者提供HSIL活检部位。
[0004]近年来，深度学习在计算机视觉领域发展壮大。随着2015年完全卷积网络(Fully Convolutional Networks，FCN)模型提出之后，端到端的语义分割网络被相继提出。在医学影像的分割领域，以UNet网络最为经典。UNet采用编解码的形式，在网络的编码部分提取高层特征，解码部分恢复图像的空间信息。在UNet网络之后，各种对于UNet网络性能的改进层出不穷。
[0005]DoubleUNet通过将多个UNet结构级联组成，从而使得整个网络具有更强大的特征提取能力，相比于传统的UNet模型来说，DoubleUNet对于病灶区域的分割性能是十分优越的。但是由于网络进一步的复杂，相比于UNet来说，该模型增加了更多的参数，这不仅增加了整个模型的训练时间，而且对于训练模型的硬件设备也提出了更高的要求，这将会导致DoubleUNet无法大规模的在实际中使用。
[0006]在进行阴道镜检查的时候，由于阴道检查的特殊性，从而会导致获得的醋酸图像和碘图像包含许多在分割时不需要的信息，包括一些设备、文字以及非宫颈组织。这些无关信息对于使用深度学习算法去自动分割病变区域会造成很大影响，对分割结果的准确性产生干扰。
[0007]因此，如何准确、高效地实现子宫鳞状上皮病变区域的影像分割已经成为急需解决的技术问题。

技术实现思路

[0008]本专利技术的目的是为了解决现有技术中子宫鳞状上皮病变区域影像难以进行准确高效图像分割的缺陷，提供一种基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法来解决上述问题。
[0009]为了实现上述目的，本专利技术的技术方案如下：
[0010]一种基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法，包括以下步骤：
[0011]子宫颈醋酸图像的获取及预处理：获取阴道镜检查的子宫颈醋酸图像，对获得的图像进行去除高亮点处理，对处理后的数据集进行扩充；
[0012]构建DSA
‑
DoubleUNet模型：利用DoubleUNet为基本模型结构，用深度可分离卷积来代替普通卷积，引入通道注意力模块SE以及ASPP模块，并将解码器部分使用的转置卷积用双线性插值法来代替，构造出DSA
‑
DoubleUNet模型；
[0013]DSA
‑
DoubleUNet模型的训练：将扩充处理后的数据集输入DSA
‑
DoubleUNet模型进行训练；
[0014]待分割图像的获取和预处理：获取待分割的子宫颈醋酸图像，并对其进行预处理；
[0015]子宫鳞状上皮病变区域影像的分割：将预处理后的子宫颈醋酸图像输入训练后的DSA
‑
DoubleUNet模型，得到子宫鳞状上皮病变区域影像分割结果。
[0016]所述子宫颈醋酸图像的获取及预处理包括以下步骤：
[0017]获取子宫颈醋酸图像，将其从RGB形式转换为YUV形式，其表达式如下：
[0018][0019]其中Y代表图像的明亮度；U代表图像的色调；V代表图像的饱和度；
[0020]通过设定高亮部分的阈值来检测高亮部分，其表达式如下：
[0021][0022]其中，p代表每个像素点，Y(p)代表每个像素点的明亮度；
[0023]提高高亮部分的饱和率，其表达式如下：
[0024]fill(p)＝mean(N8(p))
[0025]其中，N8表示像素点p周围的8个像素点，mean(N8(p))表示取像素点p周围8个像素点明亮度的平均值，fill(p)表示将取均值后的值填充到像素点p处；
[0026]利用torchvision中的transformer模块对数据集进行扩充：
[0027]利用裁减、翻转以及镜像的方式扩充数据集，
[0028]其中，裁减函数为.resize，翻转函数为.hfilp或.vfilp，镜像函数为.crop。
[0029]所述构建DSA
‑
DoubleUNet模型包括以下步骤：
[0030]设定DSA
‑
DoubleUNet网络模型为将两个Unet网络进行串联，采用U形的编码器
‑
解
码器结构；
[0031]设定DSA
‑
DoubleUNet网络的第一个Unet模型为编码器
‑
解码器的U形结构；
[0032]构建SE模块，
[0033]设定ASPP模块对给定的输入以不同采样系数r的空洞卷积并行进行采样，然后将采样后的特征进行融合；
[0034]设定第一个Unet模型的编码器部分采用VGG19的网络结构，删除VGG19的全连接层、保留特征提取层，将特征提取层中的卷积操作替换为深度可分离卷积，在每一层深度可分离卷积、BN、Relu操作之后均加入SE模块；
[0035]其中，深度可分离卷积分为逐通道卷积DW和逐点卷积PW两个过程，
[0036]DW的一个卷积核负责一个通道，这个过程中产生的feature map的通道数和输入feature map的通道数一样；
[0037]PW的卷积核的尺寸为1
×1×
M，M为DW卷积输出的通道个数，PW卷积之后产生的feature map的通道个数与使用卷积核的个数相同；
[0038]第一个Unet模型的编码器部分进行四次下采样的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法，其特征在于，包括以下步骤：11)子宫颈醋酸图像的获取及预处理：获取阴道镜检查的子宫颈醋酸图像，对获得的图像进行去除高亮点处理，对处理后的数据集进行扩充；12)构建DSA
‑
DoubleUNet模型：利用DoubleUNet为基本模型结构，用深度可分离卷积来代替普通卷积，引入通道注意力模块SE以及ASPP模块，并将解码器部分使用的转置卷积用双线性插值法来代替，构造出DSA
‑
DoubleUNet模型；13)DSA
‑
DoubleUNet模型的训练：将扩充处理后的数据集输入DSA
‑
DoubleUNet模型进行训练；14)待分割图像的获取和预处理：获取待分割的子宫颈醋酸图像，并对其进行预处理；15)子宫鳞状上皮病变区域影像的分割：将预处理后的子宫颈醋酸图像输入训练后的DSA
‑
DoubleUNet模型，得到子宫鳞状上皮病变区域影像分割结果。2.根据权利要求1所述的基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法，其特征在于，所述子宫颈醋酸图像的获取及预处理包括以下步骤：21)获取子宫颈醋酸图像，将其从RGB形式转换为YUV形式，其表达式如下：其中，Y代表图像的明亮度，U代表图像的色调，V代表图像的饱和度；22)通过设定高亮部分的阈值来检测高亮部分，其表达式如下：其中，p代表每个像素点，Y(p)代表每个像素点的明亮度；23)提高高亮部分的饱和率，其表达式如下：fill(p)＝mean(N8(p))其中，N8表示像素点p周围的8个像素点，mean(N8(p))表示取像素点p周围8个像素点明亮度的平均值，fill(p)表示将取均值后的值填充到像素点p处；24)利用torchvision中的transformer模块对数据集进行扩充：利用裁减、翻转以及镜像的方式扩充数据集，其中，裁减函数为.resize，翻转函数为.hfilp或.vfilp，镜像函数为.crop。3.根据权利要求1所述的基于DSA
‑
DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法，其特征在于，所述构建DSA
‑
DoubleUNet模型包括以下步骤：31)设定DSA
‑
DoubleUNet网络模型为将两个Unet网络进行串联，采用U形的编码器
‑
解码器结构；32)设定DSA
‑
DoubleUNet网络的第一个Unet模型为编码器
‑
解码器的U形结构；33)构建SE模块，设定ASPP模块对给定的输入以不同采样系数r的空洞卷积并行进行采样，然后将采样后的特征进行融合；
34)设定第一个Unet模型的编码器部分采用VGG19的网络结构，删除VGG19的全连接层、保留特征提取层，将特征提取层中的卷积操作替换为深度可分离卷积，在每一层深度可分离卷积、BN、Relu操作之后均加入SE模块；其中，深度可分离卷积分为逐通道卷积DW和逐点卷积PW两个过程，DW的一个卷积核负责一个通道，这个过程中产生的feature map的通道数和输入feature map的通道数一样；PW的卷积核的尺寸为1
×1×
M，M为DW卷积输出的通道个数，PW卷积之后产生的feature map的通道个数与使用卷积核的个数相同；35)第一个Unet模型的编码器部分进行四次下采样的操作，然后将输出的结果送到ASPP模块中获取多尺度物体信息，ASPP模块中采用的采样系数r分别为0、6、12、18；36)将ASPP模块的输出送到第一个Unet网络的解码器端，其中解码器的上采样部分用双线性插值法代替转置卷积，第一次上采样之后，解码器端融合第四次下采样输出的特征，然后将融合后的结果作为第二次上采样的输入；第二次上采样之后，解码器端融合第...

【专利技术属性】
技术研发人员：李莉萍，张霞，张东彦，严海峰，
申请(专利权)人：安徽大学，
类型：发明
国别省市：