一种基于MEDU-Net+网络的医学图像分割方法和系统技术方案

本发明专利技术公开了一种基于MEDU

【技术实现步骤摘要】
一种基于MEDU
‑
Net+网络的医学图像分割方法和系统


[0001]本专利技术涉及图像分割
，具体而言涉及一种基于MEDU
‑
Net+网络的医学图像分割方法和系统。

技术介绍

[0002]随着人工智能的发展，深度学习方法受到了广泛的关注，许多高效、方便、简单的图像分割方法逐渐被提出。大多数基于深度学习的图像分割方法需要足够的图像进行训练和测试处理，然而，用于训练和测试的医学图像需要被标注，并且由于专业限制，可以利用的图像数量总是有限的，所以如何在只有少量数据的情况下，网络结构自身可以尽可能多的收集信息成为医学图像分割领域待解决的问题。U
‑
Net网络的出现为利用现有的图像小样本提供了一种更有效的方法。U
‑
Net网络通过跳跃连接和独特的U形对称结构，能够准确捕捉到可用图像中的特征信息。这种特殊的结构使得通过处理少量训练样本产生更精确的分割结果成为可能，非常适合医学图像分割领域中难以获得大量有用图像的情况。
[0003]近年来，U
‑
Net及其改进网络已成为图像分割领域的研究热点。由于U
‑
Net网络具有跳跃连接、独特的U型结构等架构，可以根据图像的深浅特征聚合得到更详细的图像信息，使得现有的改进U
‑
Net网络基本上可以从图像中提取一些相关元素，获得更准确的图像分割结果，但是这些方法还是只将关注点放在图像内部信息上，忽略了待分割目标的细节和边缘信息。

技术实现思路
/>[0004]本专利技术针对现有技术中的不足，提供一种新的多尺度编码解码U
‑
Net+网络(MEDU
‑
Net+)。该网络不仅关注编码器中卷积块的变化，还关注语义信息的恢复过程，并使用多尺度技术来改进所提出的MEDU
‑
Net+解码器。此外，还提出了一种新的组合损失函数，结合广义Dice和Focal损失函数的优点来提取更多的边缘信息，并且在不增加较多参数的情况下获得了更好的分割性能。本专利技术能够通过少量的数据尽可能多的学习到图像特征，得到更好的分割结果。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]第一方面，本专利技术实施例提出了一种基于MEDU
‑
Net+网络的医学图像分割方法，所述医学图像分割方法包括以下步骤：
[0007]采用GoogLeNet中的inception模块替代原U
‑
Net网络中用于提取图像特征信息的3
×
3卷积层，其包括多个分支以构成多尺度编码器；对MEDU
‑
Net+网络的解码器做相应优化，采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，编码器和解码器的每个分支均一一对应，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；
[0008]结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数。
[0009]可选地，所述编码器的每个分支均包含3
×
3最大池化层、1
×
1卷积层、3
×
3卷积层和5
×
5卷积层，通过1
×
1卷积层降维使通道间信息进行传递，并采用1
×
1卷积层和5
×
5卷积层扩展感受野以获得较之原始3
×
3卷积层更丰富的语义信息。
[0010]可选地，所述解码器采用多尺度特征融合代替3
×
3反卷积层进行解码，在多尺度解码部分的反卷积块中增加1
×
1和5
×
5的转置卷积核分支；通过1
×
1反卷积，在保持特征图尺度不变的情况下，对非线性特征进行增强。
[0011]可选地，所述结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数的过程包括以下步骤：
[0012]根据下述公式计算GDL损失函数：
[0013][0014]其中N代表像素总数，i表示第i类的像素，y
in
是第i类的第n个像素的真实值，是y
in
的预测值；
[0015]根据下述公式计算Focal损失函数：
[0016][0017]其中y
n
是第n个像素的真实值，是y
n
的预测值，α,γ>0为参数；
[0018]根据医学图像自身特性引入权重以生成组合形式的损失函数：
[0019]L＝λL
gd
+(1
‑
λ)L
f
[0020]其中0≤λ≤1。
[0021]可选地，所述λ的取值为0.1；所述α的取值为0.75；所述γ的取值为2。
[0022]第二方面，本专利技术实施例提出了一种基于MEDU
‑
Net+网络的医学图像分割系统，所述医学图像分割系统包括：
[0023]多尺度编码器，采用GoogLeNet中的inception模块替代原U
‑
Net网络中用于提取图像特征信息的3
×
3卷积层得到，其包括多个分支；
[0024]多尺度解码器，包括多个分支，且多尺度解码器与多尺度编码器的各个分支一一对应，多尺度解码器采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；
[0025]该MEDU
‑
Net+网络的损失函数为广义Dice损失函数和Focal损失函数的加权和，权重由医学图像自身特性决定。
[0026]本专利技术的有益效果是：
[0027]本专利技术采用的多尺度编解码方法能更加有效的提取和恢复特征信息；本专利技术采用的一层一回传的跳跃连接可以减小编解码之间的语义差距，更好的融合编解码之间的特征信息；本专利技术采用的结合广义Dice损失函数和Focal损失函数提出的组合损失函数能分离
出更详细的边缘信息和细节信息；本专利技术公开的一种新的U型多尺度编解码网络对医学图像分割的效果更优。
附图说明
[0028]图1是本专利技术实施例的基于MEDU
‑
Net+网络的医学图像分割方法流程图。
[0029]图2为本专利技术实施例的基于MEDU
‑
Net+网络的医学图像分割系统的结构示意图。
[0030]图3为相关网络在DRIVE、ISBI2012、CHAOS数据集上的视觉对比效果示意图。
[0031]图4为相关网络在DRIVE、ISBI2012、CHAOS数据集上的数据对比结果示意图。
具体实施方式
[0032]现在结合附图对本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MEDU
‑
Net+网络的医学图像分割方法，其特征在于，所述医学图像分割方法包括以下步骤：采用GoogLeNet中的inception模块替代原U
‑
Net网络中用于提取图像特征信息的3
×
3卷积层，其包括多个分支以构成多尺度编码器；对MEDU
‑
Net+网络的解码器做相应优化，采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，编码器和解码器的每个分支均一一对应，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数。2.根据权利要求1所述的基于MEDU
‑
Net+网络的医学图像分割方法，其特征在于，所述编码器的每个分支均包含3
×
3最大池化层、1
×
1卷积层、3
×
3卷积层和5
×
5卷积层，通过1
×
1卷积层降维使通道间信息进行传递，并采用1
×
1卷积层和5
×
5卷积层扩展感受野以获得较之原始3
×
3卷积层更丰富的语义信息。3.根据权利要求1所述的基于MEDU
‑
Net+网络的医学图像分割方法，其特征在于，所述解码器采用多尺度特征融合代替3
×
3反卷积层进行解码，在多尺度解码部分的反卷积块中增加1
×
1和5
×
5的转置卷积核分支；通过1
×
1反卷积，在保持特征图尺度不变的情况下，对非线性特征进行增强。4.根据权...

【专利技术属性】
技术研发人员：杨真真，孙雪，杨永鹏，杨震，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：