一种医疗图像的多尺度精细化分割方法和装置制造方法及图纸

本发明专利技术公开了一种医疗图像的多尺度精细化分割方法和装置。其中，该方法包括：读取原始图像输入数据，利用预设尺寸进行裁剪得到预处理数据；将预处理数据进行线性插值法处理，得到目标尺寸并输入至全局粗分割网络，得到粗分割概率图；将粗分割概率图上采样至原始图像尺寸，并与原始图像在通道维度上进行拼接；将拼接结果输入至智能区域选择网络，选出所得区域，并将所得区域输入至局部细化网络，得到细化分割概率图；计算细化前后的Dice增益作为单步奖励值，并将细化分割概率图替换粗分割概率图中对应的部分，得到奖励值序列，并基于奖励值序列得到分割结果。本方案可以达到更加高效准确的分割，完成医疗图像的识别任务的效果。完成医疗图像的识别任务的效果。完成医疗图像的识别任务的效果。

【技术实现步骤摘要】
一种医疗图像的多尺度精细化分割方法和装置


[0001]本专利技术涉及机器学习以及图像处理
，尤其涉及一种医疗图像的多尺度精细化分割方法和装置。

技术介绍

[0002]近年来，随着医疗技术的快速发展，医院中患者数据的急剧增加，大量医疗影像数据急需处理。传统人工识别分析的方式，例如器官分割、肿瘤分割、靶区标定以及病理分析等，对医生的要求过高，过于依赖医生的状态及经验，具有成本高且效率低的特点。无法满足高效率的数据分析需求，给医生带来了很大的工作压力。面对海量的医疗图像，如何快速、高效并准确的将医疗影像中的目标成为了研究的热点。

技术实现思路

[0003]本申请提供一种医疗图像的多尺度精细化分割方法和装置，可以充分利用医疗图像中的全局和局部信息，通过强化学习的方式，实现细化区域的智能选择，从而可以达到更加高效准确的分割，完成医疗图像的识别任务的效果。
[0004]第一方面，本申请提供了一种医疗图像的多尺度精细化分割方法，所述方法包括：
[0005]读取原始图像输入数据，利用预设尺寸进行裁剪预处理，得到预处理数据；将所述预处理数据按照预设比例划分为训练集和测试集；
[0006]将训练集样本进行线性插值法处理，得到目标尺寸，并将目标尺寸的训练集样本输入至全局粗分割网络，得到粗分割概率图；
[0007]将所述粗分割概率图上采样至原始图像尺寸，并与原始图像在通道维度上进行拼接，得到拼接结果；
[0008]将所述拼接结果输入至智能区域选择网络，选出所得区域，并将所述所得区域输入至局部细化网络，以得到细化分割概率图；
[0009]基于所述细化分割概率图计算细化前后的Dice增益作为单步奖励值，并将细化分割概率图替换所述粗分割概率图中与所述所得区域对应的部分，并通过与原始图像拼接和输入至智能区域选择网络，计算得到奖励值序列，并基于所述奖励值序列得到分割结果。
[0010]进一步的，在得到粗分割概率图之后，所述方法还包括：
[0011]结合所述粗分割概率图和训练集样本的真值，计算交叉熵损失，通过梯度下降法对所述全局粗分割网络进行优化。
[0012]进一步的，结合所述粗分割概率图和训练集样本的真值，计算交叉熵损失，通过梯度下降法对所述全局粗分割网络进行优化，包括：
[0013]采用二进制交叉熵作为损失，分别计算不同等级的病灶与预测结果之间的交叉熵损失，并通过反向传播进行全局粗分割网络的参数优化。
[0014]进一步的，在利用预设尺寸进行裁剪预处理，得到预处理数据之后，所述方法还包括：
[0015]对所述预处理数据进行数据增强处理，得到增强数据集；其中，所述的数据增强处理包括沿任意一维的空间坐标轴进行翻转的处理。
[0016]进一步的，包括：
[0017]所述全局粗分割网络的主干结构均三维形式的U
‑
Net网络，具体包括：三个下采样模块、一个桥接模块、三个上采样模块以及聚合卷积模块；
[0018]其中，所述下采样模块包括两个卷积层和一个池化层，卷积核大小为3
×3×
3，卷积步长为1，padding为1；池化层核大小为2
×2×
2，池化步长为2；
[0019]所述桥接模块包括两个卷积层，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；
[0020]所述上采样模块包括一个反卷积层以及两个卷积层，反卷积层的卷积核大小为3
×3×
3，卷积步长为2，padding为1，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；
[0021]所述聚合卷积模块设置为单层卷积，卷积核大小为1
×1×
1，卷积步长为1，padding为0；
[0022]所述局部细化网络的主干结构为三维形式的U
‑
Net网络，具体包括：三个下采样模块、一个桥接模块、三个上采样模块以及聚合卷积模块；
[0023]其中，所述下采样模块包括两个卷积层和一个池化层，卷积核大小为3
×3×
3，卷积步长为1，padding为1；池化层核大小为2
×2×
2，池化步长为2；
[0024]所述桥接模块包括两个卷积层，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；
[0025]所述上采样模块包括一个反卷积层以及两个卷积层，反卷积层的卷积核大小为3
×3×
3，卷积步长为2，padding为1，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；
[0026]所述聚合卷积模块设置为单层卷积，卷积核大小为1
×1×
1，卷积步长为1，padding为0。
[0027]进一步的，所述智能区域选择网络的主干网络为双分支卷积神经网络，具体包括：
[0028]四个卷积模块，一个特征提取模块，一个Actor输出端以及一个Critic输出端；
[0029]其中，所述卷积模块包括一个卷积层和一个池化层，以及一个Elu算子，卷积核大小为3
×3×
3，卷积步长为1，padding为1；池化核大小为2
×2×
2，池化步长为2；
[0030]所述特征提取模块中共包括两个全连接层，两层全连接层中的神经元数量均为12
×
10
×
8；
[0031]所述Actor输出端由一个全连接层构成，其神经元数量为6
×5×
4；
[0032]所述Critic输出端由一个全连接层构成，其神经元数量为1。
[0033]进一步的，基于所述细化分割概率图计算细化前后的Dice增益作为单步奖励值，包括：
[0034]采用如下公式计算智能选择行为的奖励值：
[0035]R
t
＝Dice(P
t
,L)
‑
Dice(P
t
‑1,L)+I(P
t
,L)；
[0036][0037][0038]其中，Dice(P
t
,L)为衡量分割结果的指标，P
t
为时间步t时的细化分割概率图，L为图像的真实标签，R
t
为时间步t时所获得的奖励值，P为全局粗分割网络生成的粗分割概率图，x,y,z为三维图像中的区域坐标，I为真实标签的分类函数。
[0039]进一步的，采用二进制交叉熵作为损失，分别计算不同等级的病灶与预测结果之间的交叉熵损失，包括：
[0040]计算二进制交叉熵损失的公式如下：
[0041][0042][0043]其中，L
total
为总体损失，C为病灶等级数目，L为真实标签，P为预测概率，L
BCE
为二进制交叉熵损失的计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医疗图像的多尺度精细化分割方法，其特征在于，包括：读取原始图像输入数据，利用预设尺寸进行裁剪预处理，得到预处理数据；将所述预处理数据按照预设比例划分为训练集和测试集；将训练集样本进行线性插值法处理，得到目标尺寸，并将目标尺寸的训练集样本输入至全局粗分割网络，得到粗分割概率图；将所述粗分割概率图上采样至原始图像尺寸，并与原始图像在通道维度上进行拼接，得到拼接结果；将所述拼接结果输入至智能区域选择网络，选出所得区域，并将所述所得区域输入至局部细化网络，以得到细化分割概率图；基于所述细化分割概率图计算细化前后的Dice增益作为单步奖励值，并将细化分割概率图替换所述粗分割概率图中与所述所得区域对应的部分，并通过与原始图像拼接和输入至智能区域选择网络，计算得到奖励值序列，并基于所述奖励值序列得到分割结果。2.根据权利要求1所述的方法，其特征在于，在得到粗分割概率图之后，所述方法还包括：结合所述粗分割概率图和训练集样本的真值，计算交叉熵损失，通过梯度下降法对所述全局粗分割网络进行优化。3.根据权利要求1所述的方法，其特征在于，结合所述粗分割概率图和训练集样本的真值，计算交叉熵损失，通过梯度下降法对所述全局粗分割网络进行优化，包括：采用二进制交叉熵作为损失，分别计算不同等级的病灶与预测结果之间的交叉熵损失，并通过反向传播进行全局粗分割网络的参数优化。4.根据权利要求1所述的方法，其特征在于，在利用预设尺寸进行裁剪预处理，得到预处理数据之后，所述方法还包括：对所述预处理数据进行数据增强处理，得到增强数据集；其中，所述的数据增强处理包括沿任意一维的空间坐标轴进行翻转的处理。5.根据权利要求1所述的方法，其特征在于，包括：所述全局粗分割网络的主干结构均三维形式的U
‑
Net网络，具体包括：三个下采样模块、一个桥接模块、三个上采样模块以及聚合卷积模块；其中，所述下采样模块包括两个卷积层和一个池化层，卷积核大小为3
×3×
3，卷积步长为1，padding为1；池化层核大小为2
×2×
2，池化步长为2；所述桥接模块包括两个卷积层，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；所述上采样模块包括一个反卷积层以及两个卷积层，反卷积层的卷积核大小为3
×3×
3，卷积步长为2，padding为1，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；所述聚合卷积模块设置为单层卷积，卷积核大小为1
×1×
1，卷积步长为1，padding为0；所述局部细化网络的主干结构为三维形式的U
‑
Net网络，具体包括：三个下采样模块、一个桥接模块、三个上采样模块以及聚合卷积模块；其中，所述下采样模块包括两个卷积层和一个池化层，卷积核大小为3
×3×
3，卷积步长为1，padding为1；池化层核大小为2
×2×
2，池化步长为2；
所述桥接模块包括两个卷积层，卷积层的卷积核大小为3
×3×
3，卷积步长为1，padding为1；所述上采样模块包括一个反卷积层以及两个卷积层，反卷积层的卷积核大小为3
×3×
...

【专利技术属性】
技术研发人员：李郁欣，胡斌，朱凤平，王祥丰，金博，颊友涛，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：