[发明专利]基于循环残差卷积神经网络的医学图像分割方法和装置

说明书

本发明提供一种基于循环残差卷积神经网络的医学图像分割方法，包括获取数据集，并将医学图像和基准真值图像组成图像对作为样本，构建样本集；基于嵌入残差卷积神经网络的U‑net网络结构，构建医学图像分隔训练系统，包括用于提取医学图像特征信息的编码器，用于将医学图像特征信息进行融合得到清晰医学分隔图像的解码器；根据医学分隔图像和基准真值图像的交叉熵构建训练系统的损失函数；利用样本集，采用损失函数对医学图像分隔训练系统进行训练，训练结束时，提取确定参数的解码器和编码器作为医学图像分隔模型；本发明还提供了一种基于循环残差卷积神经网络的医学图像分割装置，该装置能够能够提供清晰分隔医学图像。

技术领域

本发明属于数字图像领域，具体涉及一种基于循环残差卷积神经网络的医学图像分割方法和装置。

背景技术

医学影像学已成为诊断和医学干预的一个标准，它可以直观地反映器官和组织的功能。随着像X光片、磁共振成像这样的现代医学成像的可用性和使用率的增加，对扫描成像数据的自动化处理的需求非常强烈。

随着医学图像的快速增长，基于计算机的自动医学图像分析成为现代医学影像学的主要研究方向之一，然而，由于人体解剖结构的多样性和复杂性，医学图像分割一直是一个难题。

目前，医学图像的评价是由医生手工进行的，阅览大量医学图像并作出诊断对于医生来说是一件繁琐的任务，容易受到医生经验和疲劳程度的影响，通过计算机辅助诊断系统有助于降低医生阅片负担和提高诊断准确率。

医学图像分割在临床诊断、医学研究、病理分析等方面具有很高的实用价值，具体表现有：(1)提取需要的区域信息，避免多余的区域对关键区域信息造成干扰；(2)用于测量病灶区域或人体器官的大小、体积、容积等，方便医生进行诊断前的定量分析；(3)用于在保持关键信息的前提下进行数据的压缩与传输，方便远程会诊；(4)建立医学数据库，用于医学研究及科研任务。

图像分割是将图片的前景与背景进行分离，从整个区域中检测出目标区域，从而可以进行下一步的图像处理操作，诸如图像配准与融合，分析和理解，语义识别，三维重建等。其中，医学图像分割对于辅助医生诊断是尤为重要的，医学影像分割是根据医学影像中的器官，组织或病变部分分离成不可相交的区域。传统的图像分割，这种方法通常是根据图像的灰度、纹理、颜色、空间结构等特性将图像分割不同的区域。如基于阀值的分割方法、基于边缘的分割方法、基于区域的分割方法，它们对不同类型的图像分割效果差异较大，且依赖于医生手动调整输入参数特性，对医生往往有较高的经验要求，而往往大部分医生都不具备充分的案例经验，导致传统图像分割的使用范围和性能都有一定限制，而且由于医学影像较为复杂，且对比度低，易受到噪声影响，存在边界不明显，人眼无法识别某些特征等特点，利用计算机分割医学影响的技术具有重要的研究意义和较高的应用价值。

发明内容

本发明提供一种能够提供清晰分隔医学图像的基于循环残差卷积神经网络的医学图像分割方法。

基于循环残差卷积神经网络的医学图像分割方法，包括：

(1)获取数据集，并将医学图像和对所述医学图像标准分隔后的基准真值图像(Ground Truth图像)组成图像对作为样本，构建样本集；

(2)基于嵌入残差卷积神经网络的U-net网络结构，构建医学图像分隔训练系统，包括两个部分，第一部分为用于提取医学图像特征信息的编码器，第二部分为用于将医学图像特征信息进行融合得到清晰医学分隔图像的解码器；

(3)构建医学图像分隔训练系统的损失函数，根据医学分隔图像和基准真值图像的交叉熵构建训练系统的损失函数；

(4)利用样本集，采用损失函数对医学图像分隔训练系统进行训练，训练结束时，提取确定参数的解码器和编码器作为医学图像分隔模型；

(5)应用时，将医学图像输入至医学图像分隔模型中，经计算输出清晰医学分隔图像。