一种正则化残差学习的甲状腺超声影像结节分割方法技术

本发明专利技术公开了一种正则化残差学习的甲状腺超声影像结节分割方法，本发明专利技术的特点是，基于编码解码的网络结构，采用正则化残差学习，利用半监督学习策略实现甲状腺超声影像结节的分割。本发明专利技术能够有效地产生甲状腺超声影像结节的分割结果，由于采用半监督学习策略，该方法能够在少量标签学习的情况下实现甲状腺超声影像结节分割，为医学临床甲状腺疾病的诊断提供有效解决的方案。断提供有效解决的方案。断提供有效解决的方案。

【技术实现步骤摘要】
一种正则化残差学习的甲状腺超声影像结节分割方法


[0001]本专利技术属于计算机
，涉及医疗辅助诊断中超声影像病变目标分割的问题，是一种借助于残差网络的强大的功能，利用人工智能的正则化学习策略，采用最新前沿的残差编码的技术，建立有效的网络结构，实现对超声影像目标进行分割。

技术介绍

[0002]近年来，人工智能技术快速发展，随着深度学习的快速发展，具有复杂结构的多层感知网络已经实现了更令人满意的医学图像分割性能，包括肝肿瘤分割、脑肿瘤分割、肺结节分割等。为了从多层感知学习中获得稳定的特征，早期分割算法主要基于监督学习，如U
‑
Net、全卷积网络、残差卷积神经网络等，虽然这些方法可以获得较好的性能，但是需要经验丰富的专家给采样数据打标签，这给超声影像结节分割带来了挑战。
[0003]如何建立有效的深度学习的网络编码模型，充分利用半监督学习机制解决少标签的情况下实现超声影像结节分割，这是亟待解决的实际问题。

技术实现思路

[0004]本专利技术的目的是提出一种正则化残差学习的甲状腺超声影像结节分割方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种正则化残差学习的甲状腺超声影像结节分割方法，其特征在于，该方法输入一个甲状腺超声影像序列，其影像分辨率为M
×
N，100≤M≤1000，100≤N≤1000，甲状腺超声影像结节分割包括以下步骤：步骤1：构建数据集采样甲状腺超声影像a个序列，构建采样数据集，其中每个序列中的帧数为b，并且10≤a≤50，40≤b≤80，从每个序列的b帧影像中均随机选取c帧影像进行标注，给出甲状腺结节的标签，利用选取的c帧影像及标签构建标注数据集C，其中20≤c≤30，再利用采样数据集中剩余影像构建无标签数据集D，从标注数据集C中随机选取n个序列影像，3≤n≤10，从所述n个序列影像的每个序列中随机选取75％的影像，利用所述选取的75％影像及对应标签构建总训练集，利用标注数据集C除去总训练集数据后剩余的影像及标签构建测试数据集G，进一步从总训练集中随机选取m个序列数据及对应的标签,用于构建训练集E,其中2≤m<n，再利用所述总训练集中的剩余影像及对应标签构建训练集F，进一步从测试数据集G中随机选取10％的影像及对应标签数据分别补充到训练集E及训练集F；步骤2：构建神经网络神经网络输入的影像分辨率为p
×
q，p为宽度，q为高度，以像素为单位，100≤p≤1000，100≤q≤1000；(1)基本分割网络A张量G作为输入，尺度为α
×
o
×
p
×
1，张量g作为输出,尺度为α
×
o
×
p
×
1，α为批次数量；基本分割网络A由编码器和解码器组成，对于张量G，依次经过编码和解码处理后，获得输出张量g；编码器由28个单元组成，第1个单元为卷积单元，包含16个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为2；第2至第13个单元的结构相同，包括激活处理，1次卷积运算，包含12个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为1；第14个单元为卷积运算，包括激活处理，1次卷积运算，包含160个卷积核，卷积核的形状均为1
×
1，一次空间池化处理，池化的尺度为2
×
2；第15至第26个单元的结构相同，包括激活处理，1次卷积运算，包含12个卷积核，卷积核的形状均为3
×
3；第27个单元为批归一化处理；第28个单元为卷积单元，包含304个卷积核，卷积核的形状均为1
×
1，卷积的水平方向及垂直方向的步长均为1；解码器由3个单元组成，第1个单元为反卷积单元，包含128个卷积核，卷积核的形状均为4
×
4，卷积的水平方向及垂直方向的步长均为2；第2个单元为反卷积单元，包含64个卷积核，卷积核的形状均为4
×
4，卷积的水平方向及垂直方向的步长均为2；第3个单元为卷积单元，包含2个卷积核，卷积核的形状均为1
×
1，卷积的水平方向及垂直方向的步长均为1；(2)残差学习网络B张量G及张量g作为输入，尺度均为α
×
o
×
p
×
1，张量h作为输出,尺度为α
×
o
×
p
×
1，α为批次数量；残差学习网络B由3层残差编码单元和3层残差解码单元组成；对于张量G，经过1次卷积运算，具体地，包含3个卷积核，卷积核的形状均为1
×
1，卷积的水平方向及垂直方向的步长均为1，将得到的结果与张量g按照灰度通道进行串接后，得
到张量I1；将张量I1依次进行以下3层残差编码单元处理和3层残差解码单元处理：第1层残差编码单元处理为1次卷积运算，包含64个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为1，激活处理后再进行1次卷积运算，包含64个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为1，得到张量I2；再将张量I1进行1次卷积运算，包含64个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为1，批归一化处理，激活处理后得到张量I3；将张量I2和张量I3相加后，得到张量I4；将张量I4输入到如下第2层残差编码单元处理；第2层残差编码单元处理时，将张量I4批归一化处理、激活处理，之后，进行1次卷积运算，包含128个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为2，然后再归一化处理、激活处理，之后，进行1次卷积运算，包含128个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为1，得到张量I5；再将张量I4进行1次卷积运算，包含128个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为2，再进行批归一化处理，激活处理之后得到张量I6；将张量I5和张量I6相加后，得到张量I7，将张量I7输入到如下第3层残差编码单元处理；第3层残差编码单元处理时，将I7批归一化处理、激活处理，之后，进行1次卷积运算，包含256个卷积核组成，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为2，然后再归一化处理、激活处理，再进行1次卷积运算，包含256个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为1，得到张量I8；再将张量I7进行1次卷积运算，包含256个卷积核，卷积核的形状均为3
×
3，卷积的水平方向及垂直方向的步长均为2，然后再归一化处理、激活处理，得到张量I9，进一步将张量I8和张量...

【专利技术属性】
技术研发人员：全红艳，湛长青，张宇，汪巧，周新恒，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：