[发明专利]一种基于局部视觉线索的髋关节X光图像分割方法及系统

说明书

本发明涉及一种基于局部视觉线索的髋关节X光图像分割方法及系统，所述方法包括：对数据集中的图像数据进行预处理，学习标准U‑net网络的第一层卷积块特征，使用Sobel算子得到粗糙标签，通过第一卷积块特征和粗糙标签提取局部视觉线索LVC，用LVC结合S‑loss损失函数指导U‑net网络输出初步分割结果图，利用LVC生成LVC局部视觉指导，并与初步分割结果图通过可变形的空间变换网络，输出采样偏移场，将初步分割结果图进行重采样得到图像的最终分割结果；本发明解决医学图像分割过程中监督学习模型容易受到标签噪声的影响的问题，降低医学图像标签生成的复杂度。

技术领域

本发明属于深度学习和计算机视觉的技术领域。具体涉及一种基于局部视觉线索的自动化纠正语义分割错误的弱监督髋关节图像分割方法。

背景技术

卷积神经网络已经在计算机视觉领域取得了非常好的效果，是适用于各种图像任务的优秀图像特征提取器。但是，医学领域的电子计算机断层扫描CT图像、磁共振成像MRI图像、X光(X射线)图像，由于其数据标记困难，数据量少，与自然图像有极大的区别，导致卷积神经网络无法很好应用到医学图像中。

在髋关节发育不良的医学领域，发育性髋关节不全(DDH)的筛查工作，主要依赖于医生几何角度计算和观察。对髋关节分割检测，传统方法有采用CT图像相似性分割和对图像视觉算法的贝叶斯决策提高分割效果，以及医学影像进行卷积神经网络进行智能分割，提出基于改进卷积神经网络的双向长短记忆医学图像分割方法。传统检测方法的无监督算法精度不高，而全监督算法依赖于数据标注质量和数量，模型无法自发地发现标注错误，从而导致髋关节分割效果不佳。

CNN(卷积神经网络)，有多个变种网络架构，主要应用于图像的特征提取，卷积层、池化层是卷积神经网络的主要模块，CNN通过某种初始化来设置卷积层的参数，而卷积核的大小、个数作为超参数，由人进行调节，卷积神经网络在最后借由softmax分类器、二值分类器、sigmoid激活函数将图像的前景、背景或多个类别进行判别。基于CNN的特征提取和类别判断能力，CNN通过一个新的逐像素分类器和分割标签，实现了物体分割的效果。但经典的全卷积分割算法需要大量精准的数据标注，而数据标注资源在医学领域十分有限。

U-net网络使用的跳跃连接可以直接将低层信息传播到底层网络，从而大大地提高分割精度。然而，它的有效性在很大程度上取决于标签的精度。因此，如果标签被污染，特别是在边缘处，有用的细节特征可能不会被网络学习。在这种情况下，尤其是在基于标签的监督框架上构建学习模型时，不保证该算法能够自发地发现有用的视觉线索去对抗错误的标签，并最终引导网络学习的算法达到真正最优。

发明内容

为解决上述问题，本发明的目的在于提供一种基于局部视觉线索的髋关节X光图像分割方法及系统，首先，由于网络的前端受标签的影响相对较小，我们从网络低层信息捕捉局部视觉特征，称为局部视觉线索(LVC)；然后，进一步将一个可变形的空间转换模块集成到我们的编解码网络中，为局部接受场提供额外的自由，使网络能够在学习过程中自发地建立预测结果和LVC之间的视觉联系；最后，提出了一种新的损失函数S-loss来指导噪声标签、LVC和变形网络的有效正则化。

根据本发明的一个方面，提供了一种基于局部视觉线索的髋关节X光图像分割方法，包括以下步骤：

步骤1，获取X光图像标注的数据集，对数据集中的图像数据进行预处理，得到基于分割标注的髋关节区域(ROI)，将ROI区域归一化；

步骤2，将预处理后的数据集输入标准U-net网络模型，学习标准U-net网络的第一层卷积块特征；

步骤3，提取数据集中不同大小的需要分割区域，使用Sobel算子进行预处理，得到LVC生成器所需的粗糙标签；

步骤4，将所述U-net网络第一卷积块特征和粗糙标签送入局部视觉线索(LVC)生成器中提取LVC；