一种医学图像智能分割网络模型及方法技术

本发明专利技术公开了一种针对医学图像大小器官不均衡的分割网络模型及方法，所述分割网络模型包括基于

【技术实现步骤摘要】
一种医学图像智能分割网络模型及方法


[0001]本专利技术涉及医学图像处理
，具体的涉及一种针对医学图像大小器官不均衡的分割网络模型及方法
。

技术介绍

[0002]在医学图像
(
以
CT
图像为例
)
分割领域，为了控制放射治疗中辐射剂量和区域
,
减少放射治疗对人体正常组织和器官的损伤
,
需要精确勾画危及器官
。
放射科医生手动勾画的精度和速度极度依赖于专家经验
,
传统分割算法难以同时实现
CT
图像中如头颈部大大小小多个器官的精准分割
。
任务的主要困难在于大器官和小器官之间的严重不平衡
(
例如，最小的器官仅占整个
3D
体积的
0.003
％，而腮腺比晶状体大
250
倍以上
)
，目前最新的分割神经网络在小器官的性能差
。
此外，由于
CT
技术的限制以及头颈部器官其复杂的解剖结构
、
低对比度的器官轮廓
。
所有因素综合在一起，很难开发一种方法，同时准确分割小和大的器官
。
[0003]在过去的十年中，提出了许多方法来解决医学图像大小器官分割的挑战性问题
。
早期的方法包括基于地图集的方法，动态轮廓，图切割等，在只有少量的标注图像时，通常使用基于地图集的方法，然而，该方法依赖于图像的配准技术，并且如果器官被肿瘤占据，则可能导致不正确的器官分割
。
最近，卷积神经网络凭借其强大的特征表示能力，在许多任务中取得了革命性的进展
。
目前现有的深度学习分割模型主要是针对于
U
‑
Net
架构进行改进，但是这些网络模型没有针对不平衡的器官分割进行优化，这些网络通常为对大器官的分割效果较好，而小器官的分割往往被牺牲
。
[0004]有鉴于此，特提出本专利技术专利
。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种针对医学图像大小器官不均衡的分割网络模型及方法，具体地，采用了如下技术方案：
[0006]一种针对医学图像大小器官不均衡的分割网络模型，包括基于
U
‑
Net
模型的主干分割网络模型，所述的主干分割网络模型将
U
‑
Net
模型的编码器中除第一层级外，其它层级为采用多尺度卷积模块的多尺度卷积层，将
U
‑
Net
模型的解码器中除最后层级外，其它层级为采用多尺度卷积模块的多尺度卷积层；
[0007]所述的多尺度卷积模块包括多层级卷积层，多层级卷积层由第一层至最末层的卷积核数量逐渐减少
、
卷积核核数逐渐增大，进行不同大小尺度的器官特征提取
。
[0008]作为本专利技术的可选实施方式，所述的多尺度卷积模块包括第一层级卷积层，第二层级卷积层，
……
，第
i
层级卷积层；所述第一层级卷积层具有
M1
个
N1*N1
卷积核，第二层级卷积层具有
M2
个
N1*N2
卷积核，
……
，第
i
层级卷积层具有
Mi
个
Ni*Ni
卷积核，其中
M1
＞
M2
＞
……
＞
Mi
，
N1
＜
N2
＜
……
＜
Ni
；
[0009]所述第一层级卷积层的
M1
个
N1*N1
卷积核依次串联，第二层级卷积层的
M2
个
N2*N2
卷积核依次串联，
……
，第
i
层级卷积层的
Mi
个
Ni*Ni
卷积核依次串联
,
所述第一层级卷积层
的首个
N1*N1
卷积核的输出分别输入至第二层至第
i
层的首个卷积核，各层级卷积层的末个卷积核依次串联，上一层级卷积层的中间卷积核的输出特征图被输入至下一层级卷积层的首个或者中间卷积核，各层级卷积层的末个卷积核的输出特征图进行特征融合，得到多尺度卷积模块输出的器官特征提取图
。
[0010]作为本专利技术的可选实施方式，所述的多尺度卷积模块包括第一层级卷积层，第二层级卷积层和第三层级卷积层，所述第一层级卷积层具有4个
1*1
的卷积核进行卷积操作，第二层级卷积层具有2个
3*3
的卷积核进行卷积操作，第三层级卷积层具有1个
5*5
的卷积核进行卷积操作
。
[0011]作为本专利技术的可选实施方式，所述主干分割网络模型的编码器中各个多尺度卷积层包括至少两个依次串联的多尺度卷积模块，上一层级多尺度卷积层中的末个多尺度卷积模块输出的器官特征提取图被分别输入至下一层级多尺度卷积层中的各个多尺度卷积模块中
。
[0012]作为本专利技术的可选实施方式，本专利技术的一种针对医学图像大小器官不均衡的分割网络模型，包括：
Stag1,Stage2,
……
，
Stage(n)
，
Stage(n+1)
，
……
，
Stage(2n
‑
1)
，所述的
Stag1,Stage2,
……
，
Stage(n
‑
1)
构成编码器，所述编码器中
Stag1
为输入层，
Stage2,
……
，
Stage(n
‑
1)
为采用多尺度卷积模块的多尺度卷积层；所述的
Stage(n+1)
，
……
，
Stage(2n
‑
1)
构成解码器，所述的
Stage(2n
‑
1)
为输出层，
Stage(n+1)
，
……
，
Stage(2n
‑
2)
为采用至少两个多尺度卷积模块的多尺度卷积层；所述的
Stage(n)
采用一个多尺度卷积模块，所述
Stage(n
‑
1)
输出的器官特征提取图输入至所述
Stage(n)
的多尺度卷积模块，所述
Stage(n)
的多尺度卷积模块输出的器官特征提取图输入至
Stage本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种针对医学图像大小器官不均衡的分割网络模型，其特征在于，包括基于
U
‑
Net
模型的主干分割网络模型，所述的主干分割网络模型将
U
‑
Net
模型的编码器中除第一层级外，其它层级为采用多尺度卷积模块的多尺度卷积层，将
U
‑
Net
模型的解码器中除最后层级外，其它层级为采用多尺度卷积模块的多尺度卷积层；所述的多尺度卷积模块包括多层级卷积层，多层级卷积层由第一层至最末层的卷积核数量逐渐减少
、
卷积核核数逐渐增大，进行不同大小尺度的器官特征提取
。2.
根据权利要求1所述的一种针对医学图像大小器官不均衡的分割网络模型，其特征在于，所述的多尺度卷积模块包括第一层级卷积层，第二层级卷积层，
……
，第
i
层级卷积层；所述第一层级卷积层具有
M1
个
N1*N1
卷积核，第二层级卷积层具有
M2
个
N1*N2
卷积核，
……
，第
i
层级卷积层具有
Mi
个
Ni*Ni
卷积核，其中
M1
＞
M2
＞
……
＞
Mi
，
N1
＜
N2
＜
……
＜
Ni
；所述第一层级卷积层的
M1
个
N1*N1
卷积核依次串联，第二层级卷积层的
M2
个
N2*N2
卷积核依次串联，
……
，第
i
层级卷积层的
Mi
个
Ni*Ni
卷积核依次串联
,
所述第一层级卷积层的首个
N1*N1
卷积核的输出分别输入至第二层至第
i
层的首个卷积核，各层级卷积层的末个卷积核依次串联，上一层级卷积层的中间卷积核的输出特征图被输入至下一层级卷积层的首个或者中间卷积核，各层级卷积层的末个卷积核的输出特征图进行特征融合，得到多尺度卷积模块输出的器官特征提取图
。3.
根据权利要求2所述的一种针对医学图像大小器官不均衡的分割网络模型，其特征在于，所述的多尺度卷积模块包括第一层级卷积层，第二层级卷积层和第三层级卷积层，所述第一层级卷积层具有4个
1*1
的卷积核进行卷积操作，第二层级卷积层具有2个
3*3
的卷积核进行卷积操作，第三层级卷积层具有1个
5*5
的卷积核进行卷积操作
。4.
根据权利要求1所述的一种针对医学图像大小器官不均衡的分割网络模型，其特征在于，所述主干分割网络模型的编码器中各个多尺度卷积层包括至少两个依次串联的多尺度卷积模块，上一层级多尺度卷积层中的末个多尺度卷积模块输出的器官特征提取图被分别输入至下一层级多尺度卷积层中的各...

【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：中科超精南京科技有限公司，
类型：发明
国别省市：