[发明专利]一种基于边缘关注策略的肝脏影像语义分割方法

说明书

本发明公开了一种基于边缘关注策略的肝脏影像语义分割方法，其特征在于，包括步骤：S1、原始数据集的格式转换；S2、肝脏影像数据的预处理；S3、分析肝脏影像的边缘特征并设计Encoder‑Decoder深度学习框架模型，所述Encoder‑Decoder深度学习框架模型包括编码阶段和解码阶段；S4、在编码阶段，利用ResNet34残差网络和边缘关注策略模块得到边缘注意图；S5、在解码阶段，利用反卷积和边缘关注策略模块进行特征的提取以及分割图像的生成；S6、对语义分割后的图像进行降噪处理。本发明通过边缘关注策略模块与深度卷积网络训练及其融合，优化损失函数，提取肝脏影像的深度特征并分割，具有提高肝脏影像语义分割效果的特点。

技术领域

本发明涉及医学影像语义分割方法，特别是涉及一种基于边缘关注策略的肝脏影像语义分割方法。

背景技术

肝脏是身体内以代谢功能为主的一个器官，是人体内脏里最大的器官。当前，对于关于肝脏疾病的诊断中，肝脏部位的核磁共振检查是最常见的。而对于疾病的分析的主要判断首先是要对大量连续肝脏部位的准确识别，而这其中会出现一些难以避免的问题，比如受主观经验，认知能力，疲劳等因素的影响。计算机医学图像识别有助于提高识别的准确率和稳定性。

最近几年深度学习技术在处理多种计算机视觉任务上取得了巨大的进展，尤其是处理图像分类和目标检测问题的卷积神经网络(Convolution Neural Network,CNN)，越来越多的研究者用CNN以及其衍生出来的各种深度神经网络来处理各种图像问题，其中就包括了图像语义分割。

图像语义分割(Semantic Segmentation)是一种从预定义的一组类中对图像中的每个像素进行分类的方法，而预定义的一组类就是具有特定语义类别属性的一片区域。对于医学领域的语义分割，最经典是Unet和Vnet，此网络是在FCN(Fully ConvolutionalNetworks for Semantic Segmentation)的基础上根据医学映像的特点进行改进，两个网络的特点都是类似U型结构，且都是通过skip-connection将前后对应的stage进行特征的融合；区别是UNet是处理二维数据，VNet是处理三维数据的，后来有学者在此基础上做了改进。例如UNet++是在UNet的基础上，在中间skip-connection结构中添加了短链接，将不同层的特征进行了融合，取得到了更好的分割效果。另外，CE-Net提出了一个上下文编码器网络，获取更多的高层次信息并保留用于2D医学图像分割的空间信息。但这些研究没有在肝脏边缘细节方面做进一步研究，所以对这一方面有待进一步工作。

发明内容

本发明为了克服以上技术的不足，提供了一种基于边缘关注策略的肝脏影像语义分割方法。

术语解释：

1、Encoder-Decoder：表示编码器-解码器深度学习框架模型。

2、labelme：表示深度学习的标注工具。

3、ResNet34：表示深度学习的一种残差网络模型。

4、softmax：表示卷积神经网络分类层。

本发明克服其技术问题所采用的技术方案是：

一种基于边缘关注策略的肝脏影像语义分割方法，包括如下步骤：

S1、原始数据集的格式转换；

S2、肝脏影像数据的预处理；

S3、分析肝脏影像的边缘特征并设计Encoder-Decoder深度学习框架模型，所述Encoder-Decoder深度学习框架模型包括编码阶段和解码阶段；

S4、在编码阶段，利用ResNet34残差网络和边缘关注策略模块得到边缘注意图；