[发明专利]一种基于CNUNet3+网络的图像语义分割方法

说明书

本发明公开了一种基于CNUNet3+网络的图像语义分割方法，所述分割方法包括：构建CNUNet3+网络模型，网络模型为U形结构，采用编码器‑解码器结构；深度为N，N大于等于3；所述U形结构左臂为编码器，右臂为解码器；编码器的深度每加深一层，通道数翻倍；编码器的相邻节点之间使用降采样运算，解码器的相邻节点之间使用升采样运算，解码器节点之间使用密集连接；编码器节点与中央节点处于相同深度时，采用卷积运算，处于不同深度时，采用降采样运算；所述编码器节点、中央节点与解码器节点均为神经元节点；中央节点数量范围可以为个。本方法用于医学X片与CT图像分割，可以提升细小目标的分割准确率。

技术领域

本发明属于图像分割领域，涉及一种基于CNUNet3+网络的图像语义分割方法。

背景技术

临床常用的医学影像包括 X 射线、计算机断层扫描CT、磁共振MRI以及超声。相比一般的自然图像，医学影像具有特殊性、复杂性。相比于自然图像，医学影像不同部分之间的区分往往极小。医学影像一般为黑白图像。在医学图像中，一张腹部CT图片中，肝、脾、肾、胃等器官的颜色都差不多，往往很难区分。假如在肝脏出现了肿瘤，肿瘤部分的颜色与其余部分的颜色也只有细微差别，这种细微的差别只有医学专业人士才能区分，普通人很难进行区分，这就导致了医学影像的图像分割的复杂性。

在医学影像诊断方面，需要识别病人的病灶区域。例如肝脏肿瘤诊断，需要识别出肝脏中的肿瘤部位，并把肿瘤部位在图像中标注出来，这就是医学图像分割技术。医疗影像诊断常常依赖于阅片医生的水平和经验，存在主观性强、重复性低等问题。计算机图像处理技术能够帮助医生提升诊断准确性，提升阅片效率。

随着以深度学习为代表的人工智能技术快速发展，医疗影像已经成为人工智能一个重要的应用领域。近年来，深度学习在图像分割领域占据了主导地位，也成了医学图像分割技术的主流。

在深度学习的各种算法中，卷积神经网络（Convolutional NeuralNetwork）一直是图像处理的主角。2015年，Jonathan Long等人提出了全卷积网络（Fully ConvolutionalNetworks，FCN）。由于FCN的优越性能，此后，大量基于FCN的深度学习方法被提出。例如融合了编解码方法的UNet、SegNet，融合了注意力机制的方法DANet与CCNet，采用空洞卷积的DeepLab方法等。

在医学图像分割的方法中，以UNet网络最为经典。2015年，Olaf Ronneberger等人提出了UNet网络。UNet网络的编码部分提取高层特征，解码部分恢复图像空间信息，并融合了跳跃连接ResNet，融合了高层和低层特征。UNet网络图像分割相对精确，且网络结构简单。UNet网络在医学图像分割研究中得到了广泛应用。

在原始UNet网络的基础上，各种变体层出不穷。这些变体之中，最重要的是UNet++网络与UNet3+网络。

2018年，周纵苇等人提出UNet++网络。UNet++可以从不同深度的结构中提取不同的特征，并结合DenseNet网络，使用不同长度的跳跃连接。UNet网络同样在医学图像分割研究中得到了广泛应用。

2020年，Huimin Huang等人提出了UNet3+网络。UNet3+结构图中的左臂代表编码过程，右臂代表解码过程。UNet3+结构图中的圆圈表示神经元节点，圆圈下面的数字表示该节点的输出通道数。在编码过程中，深度每多一层，输出通道数翻倍。

相比医学图像分割的其它方法，UNet3+性能较为优越。但是由于神经元数量过少，当样本数较少的时候，对细小目标的分割还不是十分理想。

发明内容

本发明为了解决上述问题，提出了一种基于CNUNet3+网络的图像语义分割方法。将本方法用于医学图像分割，尤其是X 射线图与CT图的分割，可以把细小的病灶区域分割出来，从而辅助影像医生诊断病情。所述方法具体包括：