[发明专利]一种基于机器学习的三维超声图像分割方法

说明书

本发明公开了一种基于机器学习的三维超声图像分割方法，包括以下步骤：在标注好的多组二维图像中对不同区域分别采样，取以某个像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；构建卷积神经网络作为分类器，以图像片段作为输入、像素点类别作为标签训练卷积神经网络；使用训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；调整卷积神经网络的参数，多次重复训练和评估和过程，最终取最优的结果作为分类器的参数；使用训练好的分类器处理整幅图片，将图像中每个像素点分为不同类别，以此实现图像的分割。

技术领域

本发明属于超声图像处理领域，特别是一种针对三维超声图像分割的优化方法。

背景技术

超声图像分割是超声图像处理中的一个重要领域，即在超声图像中分割出感兴趣的区域。在传统的超声图像处理中，大多是基于一些传统的图像处理技术，超声图像中信息复杂，灰度分布不均匀，噪声较大，而且器官组织易发生形变，这些因素加大了特征选取和图像分割的难度，几乎不可能地使用一个通用的方法对所有超声图像实现分割。深度学习具有多个隐层以及自主学习的能力，广泛地应用在图像处理领域。卷积神经网络作为深度学习最成功的一个模型，在超声图像分割领域同样可以取得优秀的效果。

发明内容

发明目的：本发明所要解决的技术问题主要是针对现有的超声图像分割主要使用传统的图像处理技术实现，需要人工干预，效率较低而且通用性较差的问题，提供了一种基于机器学习的方法，提高了分割效率，并保证了方法的通用性。

为了解决上述技术问题，本发明公开了一种借助机器学习中的卷积神经网络进行三维超声图像分割的方法，包括如下步骤：

步骤一，将标注好M种类别的二维超声图像作为机器学习的初始样本，在多组二维图像中分别对不同类别的区域进行采样，选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本，以此建立大量数据样本，并把样本分为训练集和测试集；

步骤二，构建卷积神经网络作为分类器，以训练集中每组样本的图像片段作为输入，像素点实际代表的类别作为标签，训练卷积神经网络；

步骤三，使用步骤二中训练好的分类器处理测试集数据并计算正确率，评估分类器的性能；

步骤四，调整卷积神经网络的参数，多次重复步骤二到三，最终选取生成最优的结果一组参数作为分类器的参数；

步骤五，将待处理的三维超声图像，切分为相互平行等间距的N组二维切面图像；

步骤六，使用训练好的分类器，处理步骤五中切分好的N组图像，将图像中每个像素点分割为不同类别，以此实现对三维超声图像的分割；

本发明中，优选地，步骤一中采样选取以特征像素点为中心的图像片段，超出原图像范围的坐标点以像素值0代替。

本发明中，优选地，步骤二中的特征像素点的实际类别可用数字表示，设需要分割的组织或区域有M种类别，则可以分别用0到M-1的数字分别表示，然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量。

本发明中，优选地，步骤一建立的样本数据分为训练集和测试集，选取80％的样本作为训练集，20％作为测试集。

本发明中，优选地，步骤二中的卷积神经网络包括输入层、三层卷积和池化层、全连接层和输出层。

本发明中，优选地，步骤二的卷积神经网络模型在权重的初始化时加入少量的噪声来打破对称性以及避免0梯度的问题，使用正态分布的数据进行初始化；偏置项使用一个较小的正数进行初始化，以避免神经元节点输出恒为0的问题。

本发明中，优选地，步骤二中的卷积神经网络中的卷积层和全连接层使用ReLU(Rectified Linear Unit，修正线性单元)作为激活函数为模型添加非线性因素，ReLU函数形式如下：