[发明专利]一种循环跳跃的深度学习网络

说明书

一种循环跳跃的深度学习网络，主要用于执行医学图像中不同兴趣目标的准确提取。该网络在现有的BiO‑Net分割网络的基础上引入一种新的反向短跳跃链接和一个注意引导的卷积模块，从而构建一种循环跳跃的深度学习网络，然后采样本地OCT图像数据和公开的眼底图像数据验证其分割性能。本发明能够有效提取图像中的不同兴趣目标，具有优于U‑Net、AU‑Net以及BiO‑Net等现有网络的分割性能。

技术领域

本发明涉及图像分割技术领域，具体涉及一种循环跳跃的深度学习网络。

背景技术

图像分割是一个将图像分成不同区域并使每个区域具有完全不同成像特性(如像素灰度分布、组织对比度以及解剖形态等)的过程，从而降低兴趣区域的分析与测量难度，为相关疾病的病灶定位与形态量化，病情分析，临床诊断和预后监控等提供关键指导，因此具有重要的学术研究价值。为准确提取所需的兴趣区域，人们开发了大量的图像分割算法，例如基于阈值的方法、基于活动轮廓的方法，以及基于图谱的方法。这些分割算法通常被简单分为无监督(unsupervised)分割算法和有监督(supervised)分割算法。(a)无监督分割算法通常根据图像自身的像素灰度分布、解剖结构之间的位置关系、组织对比度及其形态特征等成像特性进行不同区域的分辨，借助形态学操作和阈值化处理等图像评估策略，实现兴趣区域提取和无关背景的排除。这类算法通常具有操作简单，运行快速的特点，能有效处理高质量的医学图像并获得合理的分割性能，然而它们对组织的对比度，成像噪声以及各种伪影较为敏感，导致分割算法易受这些现象的干扰而存在严重的性能退化。此外，这类算法常常涉及较多的依靠经验赋值的参数，因此算法的设计对图像处理知识和临床背景具有较高的要求，从而导致算法难以适用于大规模临床图像的处理。(b)有监督分割算法不仅需要考虑图像自身的成像特性而且需要人工的干预(如人工设计和选取的特征或标注)，通过使用各种不同类型的图像信息执行多个兴趣区域的分辨和提取，并且具有比无监督分割算法更高的性能。这类算法由于使用了更多的图像信息，能够在一定程度上缓解各种图像伪影或噪声对图像分割的干扰，从而更适合大规模临床数据的处理。然而，手工设计特征或标注的获取需要足够的图像处理和临床背景等多学科知识，并且高度依赖算法设计人员或图像标注人员的个人经验，导致获取的特征信息或标注可能存在较大的误差，从而制约了算法的分割性能。

近年来，基于深度学习的有监督分割算法得到了广泛的关注和深入的研究。该类算法通过大量叠加基本的深度学习操作(如卷积运算、批样本正则化和激活函数等)，能够在标注信息的辅助下从输入图像中学习到各种类型的卷积特征，合理整合这些特征信息，可执行每个像素的准确分类，实现高质量图像分割。这类算法中，U-Net是较为经典的深度学习网络，具有结构简单和性能优越等众多优点，但其存在如下不足：(a)U-Net多次使用图像下采样操作加速卷积特征的提取，导致图像维度的降低，从而引发信息的模糊和丢失；(b)仅使用单一种类的跳跃链接执行编码卷积特征的传递，不足以重建丢失的大量图像信息；(c)大量卷积层的简单叠加导致分割网络能够有效提取兴趣目标的中心区域而无法处理其边界区域，引发较大的边界误差。为了实现准确的图像分割，U-Net的大量改进网络被开发处理，例如CE-Net、AU-Net和BiO-Net。这些分割网络虽具有更好的图像处理性能，但是它们在目标的边界区域仍存在较大的分割误差。

发明内容

为了解决现有技术存在的技术缺陷，本发明提供了一种循环跳跃的深度学习网络，主要用于医学图像中不同兴趣目标的准确提取，可有效降低弱组织对比度、严重成像伪影或噪声等现象对图像分割的影响，辅助医学图像中病灶的定位与探测，为病灶区域的准确分割及其形态量化奠定坚实的理论基础。

本发明采用的技术解决方案是：一种循环跳跃的深度学习网络，包括以下步骤：