一种基于多分辨率残差网络的图像分割方法技术

本发明专利技术公开了一种基于多分辨率残差网络的图像分割方法，首先获取CT图像数据，并将获取的CT图像数据分为训练集和验证集；然后构建多分辨率残差网络模型，多分辨率残差模型为U‑Net网络结构，包括残差连接块和多分辨率残差特征流，每个残差连接块可以由多个残差连接单元串联组成，其中残差连接单元包括了卷积块、常规输入、残差输入、常规输出和残差输出；CT图像数据中的训练集输入到构建完成的多分辨率残差模型中进行训练，得到训练好的多分辨率残差模型，采用训练好的多分辨率残差模型对验证集数据进行处理，得到最终图像分割结果。本发明专利技术通过在编码过程中进行的多分辨率残差特征的融合操作，使得图像分割的精度大幅提高。

【技术实现步骤摘要】
一种基于多分辨率残差网络的图像分割方法
本专利技术属于医学图像处理领域，具体涉及一种基于多分辨率残差网络的图像分割方法。
技术介绍
随着科学技术的进步，医学影像技术取得了长足的发展，图像分割是提取医学图像中特殊组织的定量信息不可缺少的手段，为了可以准确分辨医学图像中的正常组织结构和异常病变，需要对医学图像进行分割，医学图像的分割是医学图像处理的关键步骤。近年来，由于深度学习的不断发展以及各种经过专家标注的患者的医学影响数据公开，使得医学图像分割性能不断提高。在医学图像分割当中，U-Net结构是目前医学图像分割中常见的一种神经网络结构，然而直接对于利用U-Net神经网络结构图像分割模型进行分割会存在这样的问题，传统U-Net神经网络结构图像分割模型往往不注重于每次采样过程中的残差输出，分割的精度有待提高。
技术实现思路
为了解决现有技术的上述问题，本专利技术提供一种基于多分辨率残差网络的图像分割方法，能够结合多分辨率残差特征进行输入，图像分割的精度大幅提高。本专利技术的技术方案如下：一种基于多分辨率残差网络的图像分割方法，其特征在于，包括以下步骤：S1，获取CT图像数据，并将获取的CT图像数据分为训练集和验证集，其中训练集为具有人工标记的CT图像数据；S2，构建多分辨率残差网络模型，所述的多分辨率残差模型为U型网络结构，编码阶段包含4次下采样过程，解码阶段包含上采样和相应的多分辨率残差特征融合过程；其中，具体包括7个残差连接块和4组残差特征流R0、R1、R2和R3，其中，每个残差连接块可以由多个残差连接单元串联组成；所述的残差特征流R0为第一次下采样时的残差特征集；所述的残差特征流R1为第二次下采样时的残差特征集；所述的残差特征流R2为第三次下采样的残差特征集；所述的残差特征流R3为第四次下采样的残差特征集；所述残差连接单元包括了卷积块、常规输入、残差输入、常规输出和残差输出；所述常规输入为上一个残差连接单元的常规输出；所述残差输入为当前残差连接单元上的所有高分辨率残差特征流的输入；所述常规输出为当前残差连接单元的常规输入与残差输入相融合卷积后的输出；所述残差输出为当前残差连接单元的常规输入与残差输入相融合卷积后，再进行1×1卷积后的输出到所有高分辨率残差特征流中；S3，将CT图像数据中的训练集输入到构建完成的多分辨率残差模型中进行训练，得到训练好的多分辨率残差模型；S4，采用训练好的多分辨率残差模型对验证集数据进行处理，得到最终图像分割结果。进一步地，所述的多分辨率残差模型中卷积层滤波器大小为3×3×3。进一步地，所述的多分辨率残差模型中的每一次下采样还包括最大池化。本专利技术的有益效果在于：能够结合多分辨率残差特征进行输入，相比于现有U-Net网络结构的图像分割模型的图像分割的精度大幅提高。附图说明图1是本专利技术基于多分辨率残差网络的图像分割方法流程示意图；图2是本专利技术多分辨率残差模型的网络结构图；图3是本专利技术多分辨率残差模型残差连接单元结构图。具体实施方式下面结合附图和实施例，对本专利技术技术方案作进一步描述：本实施例中提供了一种肾脏肿瘤图像分割方法，如图1所示，包括：S1，获取CT图像数据，并将得到的CT图像数据分为训练集、验证集，其中训练集为具有人工标记CT图像数据，在本实施例中获取241胸部CT扫描，图像大小为256×256，其中206例是训练集，35例是验证集，用于验证左右肺、心脏、食道和脊髓分段。S2，构建多分辨率残差网络模型，如图2，多分辨率残差模型为U-Net网络结构，其中包括4次编码，即下采样过程和4次解码，即上采样过程，具体包括：多分辨率残差模型在每次进行池化操作后都会计算多个特征流。这些特征流(例如图2中的R0、R1、R2、R3)携带以特定图像分辨率计算的特征，并在与深层特征残余结合时以更高的图像分辨率提供上下文信息。特征流都被残差地输入到每个特征层，并且在通过反向连接通过每一层之后进行修改。因此，更深层次的特征结合来自前一层的输入和修改后的特征流来计算新的特征.这样的残差特征组合是为了提高训练深层网络的稳定性，具体的4组残差特征流R0、R1、R2和R3，残差特征流R0为第一次下采样时的残差特征集；残差特征流R1为第二次下采样时的残差特征集；残差特征流R2为第三次下采样的残差特征集；残差特征流R3为第四次下采样的残差特征集；如图3，残差连接单元包括了卷积块、常规输入、残差输入、常规输出和残差输出；常规输入为上一个残差连接单元的常规输出；残差输入为当前残差连接单元上的所有残差特征流的输入；常规输出为当前残差连接单元的常规输入与残差输入相融合卷积后的输出；残差输出为当前残差连接单元的常规输入与残差输入相融合卷积后，再进行1×1卷积后的输出；残差连接单元从前面的一个高分辨率特征流(在适当的下采样之后)和从上一个采样层的残差连接单元的计算的特征中接收常规输入和残余输入。这两个输入通过一个或多个卷积块在信道上连接和处理。残差连接单元的输出由包括常规输出和残差输出组成，残差输出在正则输出的1×1卷积后被传回高分辨率的残差特征流。常规输出被传递到下一个残差连接单元。残差连接单元中使用的卷积为3×3卷积和ReLU激活函数组成。S3，将CT图像数据中的训练集输入到构建完成的多分辨率残差模型中进行训练，得到训练好的多分辨率残差模型；在本实施例例中，多分辨率残差模型使用ADAM算法进行优化，初始学习率为1e-4，交叉熵损失训练50轮，批次大小为10。S4，采用训练好的多分辨率残差模型对验证集数据进行处理，得到最终图像分割结果。利用本申请方法得出左肺和右肺的中值DSC为0.97(IQR:0.97-0.98)，心脏为0.93(IQR:0.93-0.95)，食道为0.78(IQR:0.76-0.80)，脊髓为0.88(IQR:0.86-0.89)，相比于现有技术提高了图像分割的精确性。应当理解的是，本专利技术的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明以改进或变换，所有这些改进和变换都应属于本专利技术所附权力要求的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于多分辨率残差网络的图像分割方法，其特征在于，包括以下步骤：/nS1，获取CT图像数据，并将获取的CT图像数据分为训练集和验证集，其中训练集为具有人工标记的CT图像数据；/nS2，构建多分辨率残差网络模型，所述的多分辨率残差模型为U型网络结构，编码阶段包含4次下采样过程，解码阶段包含上采样和相应的多分辨率残差特征融合过程；其中，具体包括7个残差连接块和4组残差特征流R0、R1、R2和R3，其中，每个残差连接块可以由多个残差连接单元串联组成；所述的残差特征流R0为第一次下采样时的残差特征集；所述的残差特征流R1为第二次下采样时的残差特征集；所述的残差特征流R2为第三次下采样的残差特征集；所述的残差特征流R3为第四次下采样的残差特征集；/n所述残差连接单元包括了卷积块、常规输入、残差输入、常规输出和残差输出；/n所述常规输入为上一个残差连接单元的常规输出；/n所述残差输入为当前残差连接单元上的所有高分辨率残差特征流的输入；/n所述常规输出为当前残差连接单元的常规输入与残差输入相融合卷积后的输出；/n所述残差输出为当前残差连接单元的常规输入与残差输入相融合卷积后，再进行1×1卷积后的输出到所有高分辨率残差特征流中；/nS3，将CT图像数据中的训练集输入到构建完成的多分辨率残差模型中进行训练，得到训练好的多分辨率残差模型；/nS4，采用训练好的多分辨率残差模型对验证集数据进行处理，得到最终图像分割结果。/n...

【技术特征摘要】
1.一种基于多分辨率残差网络的图像分割方法，其特征在于，包括以下步骤：
S1，获取CT图像数据，并将获取的CT图像数据分为训练集和验证集，其中训练集为具有人工标记的CT图像数据；
S2，构建多分辨率残差网络模型，所述的多分辨率残差模型为U型网络结构，编码阶段包含4次下采样过程，解码阶段包含上采样和相应的多分辨率残差特征融合过程；其中，具体包括7个残差连接块和4组残差特征流R0、R1、R2和R3，其中，每个残差连接块可以由多个残差连接单元串联组成；所述的残差特征流R0为第一次下采样时的残差特征集；所述的残差特征流R1为第二次下采样时的残差特征集；所述的残差特征流R2为第三次下采样的残差特征集；所述的残差特征流R3为第四次下采样的残差特征集；
所述残差连接单元包括了卷积块、常规输入、残差输入、常规输出和残差输出；
所述常...

【专利技术属性】
技术研发人员：王博，赵威，申建虎，张伟，徐正清，
申请(专利权)人：西安智诊智能科技有限公司，
类型：发明
国别省市：陕西;61