基于EU-Net的医学图像分割方法、装置、设备和介质制造方法及图纸

本发明专利技术提供一种基于EU

【技术实现步骤摘要】
基于EU
‑
Net的医学图像分割方法、装置、设备和介质


[0001]本专利技术涉及图像分割
尤其是涉及一种基于EU
‑
Net的医学图像分割方法、装置、设备和介质。

技术介绍

[0002]医学图像分割一直以来都是一项具有挑战性且非常有价值的工作。它通过将医学图像中不同的目标区域进行分割和强化，能够帮助医学领域工作者对医学图像进行更好的决策。但医学图像相对于传统的RGB图像，通常包含更多的噪声，且普遍拥有较低的对比度和模糊的图像内容边界，这导致其存在很多难以识别的特征。这些特点对于图像分割任务都是不小的困难，因此医学图像分割在实际应用中仍然面临着巨大的挑战。
[0003]早期的医学图像分割方法多基于边缘检测、激活轮廓和图论等。近年来，卷积神经网络(convolutional neural networks,CNN)因其出色的判别特征提取而受到越来越多的研究关注，如U
‑
Net，Res
‑
UNet，UNet++等。但是U
‑
Net及其变体在实践中存在一些问题，包括对噪声敏感、特征图之间存在较大语义鸿沟、参数量过大等。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于EU
‑
Net的医学图像分割方法、装置、设备和介质，用于解决现有技术中图像分割网络存在的参数量过大、精度不高等问题。
[0005]为实现上述目的及其他相关目的，本专利技术提供一种基于EU
‑
Net的医学图像分割方法，所述方法包括：获取原始医学图像并进行预处理；将多个轻量级的EU
‑
Net分割模型通过密集跳连接进行逐层互联以构建链式EU
‑
Net分割网络，预处理后的所述原始医学图像通过跳连接分别输入每层的EU
‑
Net分割模型；基于所述链式EU
‑
Net分割网络对所述原始医学图像进行分割。
[0006]于本专利技术的一实施例中，所述预处理包括：将所述原始医学图像调整为预设尺寸的单通道灰度图像。
[0007]于本专利技术的一实施例中，各所述EU
‑
Net分割模型包括跳接编解码器，经过特征值的编码和解码后输出双通道灰度图像。
[0008]于本专利技术的一实施例中，所述将多个轻量级的EU
‑
Net分割模型通过密集跳连接进行逐层互联以构建链式EU
‑
Net分割网络，包括：每层的EU
‑
Net分割模型的输出结果再分别输入该层之后每层的EU
‑
Net分割模型，各层的EU
‑
Net分割模型对应的输入逐层递增；所述链式EU
‑
Net分割网络将各层对应的所有输入合并为一个单通道灰度图像并送入下一层的EU
‑
Net分割模型；对最后一层EU
‑
Net分割模型输出的双通道灰度图像转化为单通道的二值化分割结果。
[0009]于本专利技术的一实施例中，所述构建链式EU
‑
Net分割网络，包括：根据医学图像分类，并按图像内容进行划分；针对每一个类别，按一定比例分别随机构建训练集和测试集；
使用分类后的医学图像对所述链式EU
‑
Net分割网络进行训练；利用反向传播和随机梯度下降方法进行链式EU
‑
Net分割网络的参数更新；经过多轮分割结果预测和参数更新后，得到使网络分割结果与真实值最接近的最优参数。
[0010]于本专利技术的一实施例中，所述使用分类后的医学图像进行网络训练，包括：采用随机参数初始化每层的EU
‑
Net分割模型；使用指定类别的训练集输入所述链式EU
‑
Net分割网络，得到预测的分割结果图；将所述分割结果图与真实值进行比较，通过损失函数计算损失值；计算每一层的EU
‑
Net分割模型的二元交叉熵损失，并将所述链式EU
‑
Net分割网络中所有EU
‑
Net分割模型的损失之和作为最终损失值。
[0011]于本专利技术的一实施例中，于本专利技术的一实施例中，其中，w，h分别是原始医学图像的宽和高；x，y是像素坐标；p是对应像素的真实值，其对应为实际的分割结果，是估计的分割结果。
[0012]为实现上述目的及其他相关目的，本专利技术提供一种基于EU
‑
Net的医学图像分割装置，所述装置包括：获取模块，用于获取原始医学图像并进行预处理；分割模块，用于将多个轻量级的EU
‑
Net分割模型通过密集跳连接进行逐层互联以构建链式EU
‑
Net分割网络，预处理后的所述原始医学图像通过跳连接分别输入每层的EU
‑
Net分割模型；基于所述链式EU
‑
Net分割网络对所述原始医学图像进行分割。
[0013]为实现上述目的及其他相关目的，本专利技术提供一种计算机设备，所述设备包括：存储器与处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序实现如上所述的方法。
[0014]为实现上述目的及其他相关目的，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的方法。
[0015]如上所述，本专利技术的一种基于EU
‑
Net的医学图像分割方法、装置、设备和介质，通过获取原始医学图像并进行预处理；将多个轻量级的EU
‑
Net分割模型通过密集跳连接进行逐层互联以构建链式EU
‑
Net分割网络，预处理后的所述原始医学图像通过跳连接分别输入每层的EU
‑
Net分割模型；基于所述链式EU
‑
Net分割网络对所述原始医学图像进行分割。
[0016]具有以下有益效果：
[0017]本专利技术利用了一种高效的图像分割模块EU
‑
Net，为了进一步提高整体网络的鲁棒性，提出了新的网络模型——Chain EU
‑
Net。Chain EU
‑
Net基于一种流线型结构设计，利用多个EU
‑
Net通过密集的跳连接构建轻量级的深度神经网络。实验结果表明，该专利技术所提出的方法在降低网络复杂度和参数量的同时，提高网络的分割精度，可以在较少的参数下达到最先进的性能。
附图说明
[0018]图1显示为本专利技术于一实施例中基于EU
‑
Net的医学图像分割方法的流程示意图。
[0019]图2显示为本专利技术于一实施例中链式EU
‑
Net分割网络的模型示意图。
[0020]图3显示为本专利技术于一实施例中Chain EU
‑
Net与其他主流网络在GLAS数据集上的分割对比结果的示意图。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EU
‑
Net的医学图像分割方法，其特征在于，所述方法包括：获取原始医学图像并进行预处理；将多个轻量级的EU
‑
Net分割模型通过密集跳连接进行逐层互联以构建链式EU
‑
Net分割网络，预处理后的所述原始医学图像通过跳连接分别输入每层的EU
‑
Net分割模型；基于所述链式EU
‑
Net分割网络对所述原始医学图像进行分割。2.根据权利要求1所述的基于EU
‑
Net的医学图像分割方法，其特征在于，所述预处理包括：将所述原始医学图像调整为预设尺寸的单通道灰度图像。3.根据权利要求1所述的基于EU
‑
Net的医学图像分割方法，其特征在于，各所述EU
‑
Net分割模型包括跳接编解码器，经过特征值的编码和解码后输出双通道灰度图像。4.根据权利要求1所述的基于EU
‑
Net的医学图像分割方法，其特征在于，所述将多个轻量级的EU
‑
Net分割模型通过密集跳连接进行逐层互联以构建链式EU
‑
Net分割网络，包括：每层的EU
‑
Net分割模型的输出结果再分别输入该层之后每层的EU
‑
Net分割模型，各层的EU
‑
Net分割模型对应的输入逐层递增；所述链式EU
‑
Net分割网络将各层对应的所有输入合并为一个单通道灰度图像并送入下一层的EU
‑
Net分割模型；对最后一层EU
‑
Net分割模型输出的双通道灰度图像转化为单通道的二值化分割结果。5.根据权利要求1所述的基于EU
‑
Net的医学图像分割方法，其特征在于，所述构建链式EU
‑
Net分割网络，包括：根据医学图像分类，并按图像内容进行划分；针对每一个类别，按一定比例分别随机构建训练集和测试集；使用分类后的医学图像对所述链式EU
‑
...

【专利技术属性】
技术研发人员：韩振奇，岳臻，刘立庄，蒋嘉熙，
申请(专利权)人：中国科学院上海高等研究院，
类型：发明
国别省市：