基于深度学习的超声图像分割方法和系统技术方案

本发明专利技术提供一种基于深度学习的超声图像分割方法和系统，主干网络对待分割超声图像进行粗分割，将多个器官从一个超声图像中分离，得到多个粗分割结果图像及其对应的器官标签，每个粗分割结果图像中只包括一个带有噪声的器官分割结果，为后续针对不同器官标签输入至不同的支路网络进行细分割提供良好的数据基础，降低支路网络细分割时的计算量，提升整体分割效率。每个支路网络根据器官标签与支路网络映射关系，对匹配的器官标签对应的粗分割结果图像进行细分割，使得多个支路网络可以根据自身擅长分割的器官类型对匹配的粗分割结果图像进行细分割，剔除噪声部分，输出器官的精细分割结果，提升分割精准度，实现有效的分割。实现有效的分割。实现有效的分割。

【技术实现步骤摘要】
基于深度学习的超声图像分割方法和系统


[0001]本专利技术涉及图像处理
，尤其涉及一种基于深度学习的超声图像分割方法和系统。

技术介绍

[0002]超声波是一种高频声波，可以穿透人体组织，反射回来的声波被接收器接收后，通过计算机处理成图像，以便医生进行诊断。超声成像在医学领域中的应用非常广泛，针对妇科疾病，可以用于检查妇科肿瘤、子宫肌瘤、卵巢囊肿、子宫内膜增生、子宫内膜癌等疾病。超声波可以帮助医生确定病变的位置、大小和形态，以便制定合适的治疗方案。在心脏病诊断方面，主要用于检查心脏的结构和功能。超声波可以帮助医生确定心脏的大小、形态和运动情况，以便判断是否存在心脏病。超声波还可以检查心脏瓣膜的功能，以便判断是否存在瓣膜病变。在消化系统疾病诊断方面，主要用于检查肝、胆囊、胰腺、脾等器官。超声影像可以帮助医生确定器官的大小、形态和结构，以便判断是否存在疾病。超声还可以检查肝囊肿、胆囊结石等疾病，以便帮助医生制定合适的治疗方案。超声在女性盆底疾病检查中也应用广泛，例如超声可以帮助医生检查盆底肌肉和组织的结构和功能，以便判断是否存在盆底肌肉松弛、膀胱脱垂等疾病，还可以检查盆底肌肉的张力、位置和运动情况，以便制定合适的治疗方案。
[0003]当超声用于临床诊断时，通常需要将超声图像中的组织器官分割出来。所谓超声图像语义分割是指将超声图像中的不同组织和器官分割出来，以便医生更准确地诊断和治疗疾病。传统的超声图像分割方法主要是基于经典图像处理技术和机器学习算法，例如边缘检测算法，区域生长算法等。但这些方法往往需要手工提取特征和选择分类器，而且泛化性较差，对于复杂的超声图像分割效果不佳。因此为了保证分割的效果，医生通常需要手动分割器官，这既耗时又费力，极大浪费了临床医生宝贵的工作时间。
[0004]虽然利用深度学习的方法对超声图像进行语义分割已经得到了一定的成功，但仍存在一些不足之处。首先是数据量不足的问题，深度学习需要大量的数据来训练模型，但是在医学领域中获取大量的标注数据是非常困难的，对临床医生也形成了额外的负担，而数据量不足又会导致深度学习模型达不到很好的效果。因此，深度学习在超声语义分割中的应用受到了数据量的限制。其次由于超声图像的分辨率相较于其他的成像方法，例如磁共振成像、计算机断层扫描成像等，分辨率较低，特别是对于器官边缘轮廓的细节部分成像质量较差，因此对于超声下利用深度学习模型进行语义分割造成了额外的困难。此外，由于超声成像的质量会收到超声医师操作方式的影响，因此可能由于超声医师的技术不够熟练造成扫描的效果变差的情况，使得器官的成像效果更加模糊，因此如何克服以上的问题，在相对较低质量的超声影像中实现器官的分割是重要的挑战。对于一些特殊的器官，例如盆底的膀胱，子宫等，利用深度学习模型进行语义分割会更加困难。目前取得比较好分割效果的模型主要集中在乳腺，肝脏等器官，这些部位的器官形状相对比较规整，且不同人之间，不同时间段下形状都不会存在过大的差异。但是对于盆底的膀胱、子宫等器官，最大的特点是
形状变化非常大。例如膀胱，不同人，不同扫描时间下残余尿量的不同会导致膀胱的大小出现非常大的差异；子宫也是同样如此，不同年龄的女性子宫的大小会有比较明显的变化，即使是经期和非经期都会让子宫的形状大小出现明显的变化，所以如何针对盆底的多个器官这样变化比较大部位实现超声下的语义分割也是尚未得到很好解决的问题。

技术实现思路

[0005]本专利技术提供一种基于深度学习的超声图像分割方法和系统，用以解决现有技术对包括多个器官的超声图像分割质量较差的缺陷，实现对于超声图像中多个器官自动、高精度地对进行有效的分割。
[0006]本专利技术提供一种基于深度学习的超声图像分割方法，包括：获取待分割超声图像，所述待分割超声图像包括多个器官和噪声；将所述待分割超声图像，输入预训练的超声图像分割网络，得到多个器官各自对应的目标分割结果图像；其中，所述超声图像分割网络包括预训练的主干网络和预训练的多个支路网络；所述主干网络用于对所述待分割超声图像进行粗分割，输出多个粗分割结果图像以及对应的器官标签；其中，每个所述粗分割结果图像中只包括一个带有噪声的器官分割结果；每个所述支路网络用于根据预设的器官标签与支路网络映射关系，对匹配的器官标签对应的粗分割结果图像进行细分割，输出目标分割结果图像；其中，每个所述目标分割结果图像中只包括一个器官分割结果。
[0007]根据本专利技术提供的一种基于深度学习的超声图像分割方法，所述主干网络的预训练包括图像恢复预训练和分割预训练；所述预训练的主干网络通过如下方式得到：根据预先获取的图像恢复预训练超声图像数据集，对预设的主干网络进行图像恢复预训练，得到中间状态主干网络；根据预先获取的分割预训练超声图像数据集，对所述中间状态主干网络进行分割训练，得到预训练的主干网络。
[0008]根据本专利技术提供的一种基于深度学习的超声图像分割方法，所述根据预先获取的图像恢复预训练超声图像数据集，对预设的主干网络进行图像恢复预训练，得到中间状态主干网络，包括：获取图像恢复预训练超声图像数据集，所述图像恢复预训练超声图像数据集包括第一超声图像样本；对所述第一超声图像样本进行随机区域遮盖，得到遮盖后的第一超声图像样本；将所述遮盖后的第一超声图像样本输入预设的主干网络进行图像恢复，得到恢复超声图像样本；根据所述第一超声图像样本和所述恢复超声图像样本确定相似度损失；根据所述相似度损失优化所述主干网络的参数，并返回重新执行所述对所述第一超声图像样本进行随机区域遮盖的步骤；在所述相似度损失满足预设阈值的情况下，完成图像恢复预训练，将所述主干网
络确定为所述中间状态主干网络。
[0009]根据本专利技术提供的一种基于深度学习的超声图像分割方法，所述根据预先获取的分割预训练超声图像数据集，对所述中间状态主干网络进行分割训练，得到预训练的主干网络：获取分割预训练超声图像数据集；其中，所述分割预训练超声图像数据集包括第二超声图像样本以及对应的分割掩码，所述第二超声图像样本包括多个器官和噪声，所述分割掩码包括对应第二超声图像样本中多个器官各自对应的子分割掩码；将所述第二超声图像样本输入所述中间状态主干网络，对所述第二超声图像样本进行粗分割，得到多个粗分割结果图像样本以及对应的多个器官标签；其中，每个所述粗分割结果图像样本中只包括一个带有噪声的器官分割结果；根据所述粗分割结果图像样本和所述分割掩码，确定第一交叉熵损失和第一Dice损失；根据所述第一交叉熵损失和所述第一Dice损失，优化所述中间状态主干网络的参数，返回重新执行所述将所述第二超声图像样本输入所述中间状态主干网络的步骤；在所述第一交叉熵损失和所述第一Dice损失满足预设阈值的情况下，完成分割预训练，将所述中间状态主干网络确定为预训练的主干网络。
[0010]根据本专利技术提供的一种基于深度学习的超声图像分割方法，所述获取分割预训练超声图像数据集，包括：获取多个待处理超声图像样本，所述待处理超声图像样本包括多个器官和噪声；对所述多个待处理超声图像样本进行分辨率归一化和灰度归一化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的超声图像分割方法，其特征在于，包括：获取待分割超声图像，所述待分割超声图像包括多个器官和噪声；将所述待分割超声图像，输入预训练的超声图像分割网络，得到多个器官各自对应的目标分割结果图像；其中，所述超声图像分割网络包括预训练的主干网络和预训练的多个支路网络；所述主干网络用于对所述待分割超声图像进行粗分割，输出多个粗分割结果图像以及对应的器官标签；其中，每个所述粗分割结果图像中只包括一个带有噪声的器官分割结果；每个所述支路网络用于根据预设的器官标签与支路网络映射关系，对匹配的器官标签对应的粗分割结果图像进行细分割，输出目标分割结果图像；其中，每个所述目标分割结果图像中只包括一个器官分割结果。2.根据权利要求1所述的基于深度学习的超声图像分割方法，其特征在于，所述主干网络的预训练包括图像恢复预训练和分割预训练；所述预训练的主干网络通过如下方式得到：根据预先获取的图像恢复预训练超声图像数据集，对预设的主干网络进行图像恢复预训练，得到中间状态主干网络；根据预先获取的分割预训练超声图像数据集，对所述中间状态主干网络进行分割训练，得到预训练的主干网络。3.根据权利要求2所述的基于深度学习的超声图像分割方法，其特征在于，所述根据预先获取的图像恢复预训练超声图像数据集，对预设的主干网络进行图像恢复预训练，得到中间状态主干网络，包括：获取图像恢复预训练超声图像数据集，所述图像恢复预训练超声图像数据集包括第一超声图像样本；对所述第一超声图像样本进行随机区域遮盖，得到遮盖后的第一超声图像样本；将所述遮盖后的第一超声图像样本输入预设的主干网络进行图像恢复，得到恢复超声图像样本；根据所述第一超声图像样本和所述恢复超声图像样本确定相似度损失；根据所述相似度损失优化所述主干网络的参数，并返回重新执行所述对所述第一超声图像样本进行随机区域遮盖的步骤；在所述相似度损失满足预设阈值的情况下，完成图像恢复预训练，将所述主干网络确定为所述中间状态主干网络。4.根据权利要求2所述的基于深度学习的超声图像分割方法，其特征在于，所述根据预先获取的分割预训练超声图像数据集，对所述中间状态主干网络进行分割训练，得到预训练的主干网络：获取分割预训练超声图像数据集；其中，所述分割预训练超声图像数据集包括第二超声图像样本以及对应的分割掩码，所述第二超声图像样本包括多个器官和噪声，所述分割掩码包括对应第二超声图像样本中多个器官各自对应的子分割掩码；将所述第二超声图像样本输入所述中间状态主干网络，对所述第二超声图像样本进行粗分割，得到多个粗分割结果图像样本以及对应的多个器官标签；其中，每个所述粗分割结果图像样本中只包括一个带有噪声的器官分割结果；
根据所述粗分割结果图像样本和所述分割掩码，确定第一交叉熵损失和第一Dice损失；根据所述第一交叉熵损失和所述第一Dice损失，优化所述中间状态主干网络的参数，返回重新执行所述将所述第二超声图像样本输入所述中间状态主干网络的步骤；在所述第一交叉熵损失和所述第一Dice损失满足预设阈值的情况下，完成分割预训练，将所述中间状态主干网络确定为预训练的主干网络。5.根据权利要求4所述的基于深度学习的超声图像...

【专利技术属性】
技术研发人员：罗家佳，左健为，耿京，张晨鑫，孙秀丽，王建六，
申请(专利权)人：北京大学，
类型：发明
国别省市：