一种基于距离引导的深度学习策略的图像分割方法技术

一种基于距离引导的深度学习策略的图像分割方法,训练策略包含四个不同的步骤，分别为设计兴趣目标的边界区域标注、获取目标对应的两种粗分割、设计距离合成图像、以及基于距离合成图像的精细分割,本发明专利技术借助距离合成图像连同待分割原始图像以及对应的两种不同标注重新训练分割网络，将能够显著降低目标边界的处理误差，实现兴趣目标及其边界的同时准确提取,可显著改善现有分割网络对目标边界区域的处理精度，实现兴趣目标及其边界的准确提取,可实现U

【技术实现步骤摘要】
一种基于距离引导的深度学习策略的图像分割方法


[0001]本专利技术涉及深度学习
，具体涉及一种基于距离引导的深度学习策略的图像分割方法。

技术介绍

[0002]深度学习技术是一种借助大量训练数据及其对应标注执行数据拟合的算法，通过设计合适的网络架构或训练策略，实现从训练数据到对应标注的信息转换，并且转换过程具有极高的性能而被广泛用于图像分割和目标探测等任务。借助这种技术，可大幅改善医学图像的分析和理解，疾病相关结构的定位及其形态特征的量化，因此具有重要的临床诊断价值和学术研究意义。为实现准确的图像分割，人们提出了大量的深度学习网络，代表性的分割网络包括U
‑
Net及其各种改进版本（如U
‑
Net++、BiO
‑
Net、CE
‑
Net等）。这些分割网络在执行图像分割时虽能有效探测和提取兴趣目标所在的图像区域，但无法准确处理目标的边界区域，从而造成有限的分割性能，导致其难以胜任大规模临床影像的处理。
[0003]为准确分割图像，设计合适的深度学习网络是当前的一个主要研究方向，而研究的重点是在U
‑
Net网络中引入不同的卷积模块或者跳跃连接，实现分割性能的改善。在卷积模块方面：Zhang构建了一种注意引导的AG
‑
Net网络，Oktay和Gu通过在U
‑
Net网络中引入不同的注意力卷积模块，分别构建了Attention U
‑
Net和CA
‑
Net网络。Gu在U
‑
Net中引入稠密空洞卷积和残差采样处理，构建了一种纹理编码的CE
‑
Net网络。在跳跃连接方面：Zhou通过在U
‑
Net中引入多层次的网络分支和稠密的跳跃连接，提出了一种嵌套U
‑
Net++网络。Fu通过在U
‑
Net网络中引入多尺度输入和输出特征，提出了M
‑
Net分割网络。Xiang通过在U
‑
Net网络中引入一种反向跳跃连接，设计了一种双向跳跃的BiO
‑
Net网络。此外，基于Transformer的分割网络也得到了一定的关注，代表性的网络有TransUNet、TransBTS和Swin
‑
Unet等。上述分割网络通常比U
‑
Net网络具有更好的图像分割性能；然而它们仍无法高质量处理目标边界区域，从而制约相关算法的临床应用。这说明仅设计合适的网络架构而忽略训练策略是无法实现兼顾兴趣目标及其边界的高质量提取。

技术实现思路

[0004]为了解决现有技术存在的的缺陷与不足，本专利技术提供了一种基于距离引导的深度学习策略的图像分割方法, 通过获取目标边界的区域标注并将其用于现有分割网络的训练中，实现边界区域的增强学习，然后借助距离变换函数将网络分割结果转化为距离合成图像，最后利用距离合成图像、原始图像及其对应的不同标注信息重新训练分割网络，执行兴趣目标的高质量分割。
[0005]本专利技术采用的技术解决方案是：一种基于距离引导的深度学习策略的图像分割方法，包括以下步骤:（1）设计兴趣目标的边界区域标注:现有的深度学习网络（如U
‑
Net）在执行图像分割时大多直接基于待分割图像和对应手工标注进行兴趣目标的提取；这种训练策略可实现
目标区域的有效提取，但无法确保分割网络对目标边界的准确探测。这是因为分割网络在提取兴趣目标时会多次下采样图像，导致目标边界的模糊和边界区域的缩小，从而引发较大的边界探测误差。为改善分割网络对目标边界的探测性能，有必要对兴趣目标的边界区域进行针对性处理，提升该区域在图像分割中的作用权重，改善分割网络对兴趣目标及其边界的探测提取性能。基于此，本专利技术通过对比分割结果与手工标注间的信息差异，全面分析现有分割网络在执行图像分割时具有的分割特性；然后对待分割图像的手工标注进行处理，以得到目标的边界区域标注（注意，手工标注和边界区域标注是不同的，前者是由临床医师依据专业知识和个人经验手工标注待分割图像而得到的，后者是对手工标注的二次开发，由算法自动生成的）；将兴趣目标的手工标注称为目标区域标注（object region label），将新获取的标注图像称为边界区域标注（boundary region label），最后将手工标注和边界区域标注同时用于分割网络的训练中，将能在一定程度上改善边界区域的处理性能，实现兼顾兴趣目标及其边界的准确分割；（2）获取兴趣目标对应的两种粗分割：借助待分割图像、手工标注、以及上文获取的边界区域标注训练现有分割网络，可得到两种不同的分割结果，一个预测目标所在区域（对应手工标注），一个预测目标边界所在区域（对应边界区域标注）。这种基于两种标注的网络训练能有效增强边界区域内的图像信息在目标提取中的作用权重，降低目标边界的探测误差，进而促进目标区域的分割精度。它不仅给出了兴趣目标的预测而且给出了边界区域对应的预测；而传统训练策略只输出单一的目标区域预测，从而无法有效处理目标的边界区域。由于边界区域预测仅给出目标边界所在的图像区域而不给出目标边界的具体位置，因此有必要处理边界区域对应的预测结果，以辅助目标边界位置的探测。为此，本专利技术将两种不同的标注图像和待分割的原始图像用于现有分割网络的训练中，可得到两种不同的分割结果，即一个目标区域预测和一个边界区域预测，处理这些信息后将其与原始图像整合起来，执行下一阶段兴趣目标的精细分割；（3）设计距离合成图像:为准确探测兴趣目标的边界位置，借助距离变换函数将上述获取的两种分割结果分别转化为不同的距离特征图（distance feature map），其中一个距离特征图粗略地刻画了目标区域的中心位置信息，另一个距离特征图描述了目标边界的具体位置信息。预处理这些距离特征图像并对它们进行基于像素的加法运算，可得到同时刻画兴趣目标及其边界的距离合成图像（distance synthetic image）。该图像在两种预测结果的中心上具有较大的取值，在远离中心位置的地方则具有相对较小的取值，并且距离越远取值越小。这种图像特性有助于分割网络快速定位目标区域并探测它的边界位置，为目标的高质量提取打下坚实基础；（4）基于距离合成图像的精细分割:距离合成图像能粗略描述兴趣目标的位置信息，但无法刻画精确的目标边界。为精确探测目标边界，需将距离合成图像、待分割原始图像、以及两种不同的标注图像结合起来，重新训练指定的分割网络，可实现兼顾兴趣目标及其边界的高质量提取的分割，然后利用整合结果与两种不同的标注信息，重新训练现有的分割网络，可在一定程度上降低目标边界的探测误差，实现目标区域和边界区域的精细分割。这种分割策略具有如特点：（a）仅仅借助距离信息引导深度学习网络执行图像分割，便能实现兴趣目标的高质量提取，而不
用设计复杂的分割网络或代价函数；（b）这种训练策略具有高度的通用性，可借助现有分割网络执行各种不同的图像分割任务；（c）原始图像和距离合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于距离引导的深度学习策略的图像分割方法，其特征在于，包括以下步骤:（1）设计兴趣目标的边界区域标注:借助形态学操作处理兴趣目标的手工标注图像，以得到一幅刻画目标边界区域的标注图像；将兴趣目标的手工标注称为目标区域标注（object region label），将新获取的标注图像称为边界区域标注（boundary region label）；（2）获取兴趣目标对应的两种粗分割:将两种不同的标注图像和待分割的原始图像用于现有分割网络的训练中，可得到两种不同的分割结果，即一个目标区域预测和一个边界区域预测；（3）设计距离合成图像:借助距离变换函数（distance transformation）将两种分割结果转化为不同的距离特征图（distance feature map），对这些距离特征图像进行灰度归一化后执行基于像素的加法运算，可得到同时刻画兴趣目标及其边界的距离合成图像（distance synthetic image）；（4）基于距离合成图像的精细分割:将距离合成图像、待分割原始图像、以及两种不同的标注图像结合起来，重新训练指定的分割网络，可实现兼顾兴趣目标及其边界的高质量提取的分割。2.根据权利要求1...

【专利技术属性】
技术研发人员：王雷，郑钦象，陈浩，常倩，梅晨阳，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：