医学图像分割方法技术

本发明专利技术提供了一种医学图像分割方法，包括：基于nnU

【技术实现步骤摘要】
医学图像分割方法


[0001]本专利技术涉及人工智能
，特别涉及一种医学图像分割方法。

技术介绍

[0002]医学图像分割是计算机视觉和医学影像领域的一个关键任务，其包括将图像中的感兴趣区域与背景进行分离，以助于诊断、治疗和研究各种疾病。随着深度学习技术的发展，基于U形网络(U
‑
Net)，尤其是nnU
‑
Net(no new
‑
Net)的深度学习模型在医学图像分割领域取得了显著成果。nnU
‑
Net是一种自适应的、针对各种医学图像分割任务的通用神经网络结构，它基于U
‑
Net架构，通过自动化的网络设计和超参数优化，实现了对不同任务的自适应调整，nnU
‑
Net在多个医学图像分割比赛中获得了优异的成绩，成为医学图像分割领域的基准方法。
[0003]然而，现有的医学图像分割模型仍存在规模局限性和泛化能力不足的问题，这些问题限制了模型在实际应用中的性能和适用范围。具体的，nnU
‑
Net的基础卷积模块和模型结构存在一定的局限性，不适合进行大规模扩展。此外，现有的nnU
‑
Net模型参数规模通常仅为数百万，与自然语言处理和计算机视觉领域的大规模模型相比，其性能和泛化能力有待进一步提升。因此，针对这些不足，本专利技术提出了一种改进的、具有可扩展性和迁移能力的大规模医学图像分割模型。

技术实现思路

[0004]本专利技术的目的在于提供一种医学图像分割方法，以解决现有的nnU
‑
Net模型规模局限性和泛化能力不足的问题。
[0005]为解决上述技术问题，本专利技术提供一种医学图像分割方法，包括：
[0006]基于nnU
‑
Net框架优化基础卷积模块和模型结构，以进行参数扩展，得到可扩展的医学图像分割模型；
[0007]使用医学图像数据集对医学图像分割模型进行预训练，以提高医学图像分割模型的泛化能力、性能和迁移能力，以进行不同类型和来源的医学图像分割任务。
[0008]可选的，在所述的医学图像分割方法中，还包括：
[0009]基于nnU
‑
Net框架得到可扩展且可迁移的医学图像分割网络结构STU
‑
Net，根据任务需求和计算资源调整网络深度和宽度；
[0010]使用大规模监督预训练策略，包括：在公开医学图像分割数据集上进行预训练，以提高模型的初始性能和迁移性能。
[0011]可选的，在所述的医学图像分割方法中，还包括：
[0012]通过可扩展且可迁移的医学图像分割网络结构STU
‑
Net，进行医学图像分割任务的自动化配置、参数扩展和跨任务迁移，以实现基于nnU
‑
Net框架优化基础卷积模块、设计可扩展的网络结构和大规模监督预训练策略。
[0013]可选的，在所述的医学图像分割方法中，还包括：
[0014]基于nnU
‑
Net框架优化基础卷积模块和模型结构包括：对nnU
‑
Net框架的基本模块进行修改，包括引入残差连接、调整下采样模块和更改上采样操作；
[0015]在除第一分辨率阶段外的每个编码器阶段开始时引入一个下采样模块，并在其后添加若干个残差块；
[0016]采用插值操作替换原本的转置卷积操作，以避免跨任务迁移时的权重不匹配问题。
[0017]可选的，在所述的医学图像分割方法中，还包括：进行可扩展的网络结构设计，包括：
[0018]在STU
‑
Net的基础上进行深度扩展和宽度扩展以实现不同规模的网络结构；
[0019]保持模型的对称性，在每个分辨率阶段中同时扩展编码器和解码器的深度和宽度。
[0020]可选的，在所述的医学图像分割方法中，大规模监督预训练策略包括：
[0021]在TotalSegmentator数据集上预训练STU
‑
Net模型，以提高模型的泛化能力和跨任务迁移性能；
[0022]在预训练过程中，对训练策略进行调整，包括增加训练轮次到4000轮和使用镜像数据增强；
[0023]经过预训练的模型直接应用于具有相同目标分割类别的下游任务，或通过微调进行迁移学习。
[0024]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的医学图像分割方法的步骤。
[0025]本专利技术的专利技术人经过研究总结发现，现有技术存在以下问题：
[0026](1)规模局限性：现有的医学图像分割模型(如nnU
‑
Net)通常具有数百万参数的规模，相较于自然语言处理和计算机视觉领域的大规模模型，其性能和泛化能力有限。
[0027](2)结构局限性：nnU
‑
Net等现有模型的基础卷积模块和模型结构不够灵活，不适合进行大规模扩展。
[0028](3)迁移能力不足：现有医学图像分割模型在不同任务和数据集上的迁移能力有限，导致模型在实际应用中的适用范围受限。
[0029]基于以上洞察，本专利技术提供的医学图像分割方法设计了一种具有可扩展性和迁移能力的大规模医学图像分割模型，以解决现有技术中医学图像分割模型规模局限和泛化能力不足的问题。针对这一目标，本专利技术对现有的nnU
‑
Net框架进行改进，优化基础卷积模块和模型结构，从而支持不同规模的扩展；参数规模可从1000万至14亿不等，包括迄今为止最大的14亿参数医学图像分割模型。为提高模型迁移能力，本专利技术采用大规模公开医学图像数据集进行预训练。通过实施本专利技术，将有效解决现有医学图像分割模型在可扩展性和迁移能力方面的缺陷，为不同任务间的模型应用提供强大支持。
附图说明
[0030]图1是不同模型在TotalSegmentator数据集上的分割性能示意图；
[0031]图2是本专利技术一实施例医学图像分割模型架构示意图；
[0032]图3是不同规模的STU
‑
Net和nnU
‑
Net的可视化结果示意图；
[0033]图4是不同比例的训练数据在TotalSegmentator验证集上，使用不同比例的训练数据训练的不同规模的STU
‑
Net模型的平均DSC性能比较示意图；
[0034]图5是在TotalSegmentator数据集上比较五个专门的专家STU
‑
Net模型和一个单一的通用STU
‑
Net模型示意图。
具体实施方式
[0035]下面结合具体实施方式参考附图进一步阐述本专利技术。
[0036]应当指出，各附图中的各组件可能为了图解说明而被夸大地示出，而不一定是比例正确的。在各附图中，给相同或功能相同的组件配备了相同的附图标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割方法，其特征在于，包括：基于nnU
‑
Net框架优化基础卷积模块和模型结构，以进行参数扩展，并得到可扩展的医学图像分割模型；以及使用医学图像数据集对医学图像分割模型进行预训练，以提高医学图像分割模型的泛化能力、性能和迁移能力，以进行不同类型和来源的医学图像分割任务。2.如权利要求1所述的医学图像分割方法，其特征在于，还包括：基于nnU
‑
Net框架得到可扩展且可迁移的医学图像分割网络结构STU
‑
Net，根据任务需求和计算资源调整网络深度和宽度；以及使用大规模监督预训练策略，包括：在公开医学图像分割数据集上进行预训练，以提高模型的初始性能和迁移性能。3.如权利要求1所述的医学图像分割方法，其特征在于，还包括：通过可扩展且可迁移的医学图像分割网络结构STU
‑
Net，进行医学图像分割任务的自动化配置、参数扩展和跨任务迁移，以实现基于nnU
‑
Net框架优化基础卷积模块、设计可扩展的网络结构和大规模监督预训练策略。4.如权利要求1所述的医学图像分割方法，其特征在于，基于nnU
‑
Net框架优化基础卷积模块和模型结构包括：对nnU
‑

【专利技术属性】
技术研发人员：黄子炎，王皓宇，邓重英，叶锦，何军军，乔宇，
申请(专利权)人：上海人工智能创新中心，
类型：发明
国别省市：