[发明专利]基于深度学习和各向异性活动轮廓的图像分割方法

说明书

一种基于深度学习和各向异性活动轮廓的图像分割方法，考虑了图像边缘的各向异性和非对称特征，将测地线主动轮廓模型作为损失函数的形式融入到V‑Net网络中，首先对训练集的数据动态增强，即在训练网络时，输入训练的一份数据进行多种变化，如。将增强后的数据送入网络训练，使用新定义的损失函数L来进行回归，优化方法Adam优化方法。训练集数据训练完成后保存网络参数，进行图像分割时先加载网络参数，然后直接对图像进行分割，得到结果，这种结合了测地主动轮廓的损失函数对医学图像分割相对于只有深度学习的网络分割医学图像更稳健。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于深度学习和各向异性活动轮廓的图像分割方法。

背景技术

基于深度学习的图像分割方法和基于测地线主动轮廓的图像分割方法有各自的优点，所以可以采用将上述两种方法的优点结合的方式，来进行图像分割，提高模型的分割准确性。在2020年提出了深度学习(网络结构：V-Net)和经典的测地线主动轮廓模型相结合(参考文献：Ma J,He J,Yang X.Learning Geodesic Active Contours for EmbeddingObject Global Information in Segmentation CNNs[J].IEEE Transactions onMedical Imaging,2020,PP(99).)的方法来分割图像。该方法是在原来的网络结构(所选用的网络结构：V-Net)的基础上，加入残差模块，并在网络结构的最后一层生成一个经过水平集函数处理过的概率图。并将测地线主动轮廓模型设计成网络的损失函数，再加入Dice和L₁两个辅助的损失函数训练网络，来提高图像分割的准确性。但是上述方法中，基于测地线主动轮廓模型的损失函数存在缺点，没有结合图像的各向异性和非对称的特征等因素。

发明内容

本发明为了克服以上技术的不足，提供了一种提高图像的分割准确性，减少图像分割的有异常值和分割曲线容易发生泄漏问题的图像分割方法。

本发明克服其技术问题所采用的技术方案是：

一种基于深度学习和各向异性活动轮廓的图像分割方法，包括如下步骤：

a)读取图像数据存储的路径，读取医学图像数据对应的医生手动分割出来感兴趣的区域做标集的路径作为标准的分割的路径，将路径对应的医学图像划分为训练集train_i和测试集val_i，使用Pytorch中的Dataset抽象类将医学图像和标准的分割封装起来；

b)对封装后的医学图像和标准的分割进行数据的动态增强；

c)设置依次由编码路径、中间路径及解码路径构成的网络结构；

d)计算损失函数L；

e)采用Adam优化算法，根据损失函数L使用反向传播来调整步骤c)中的网络结构的权重weight和偏置量bias；

f)判断网络训练结果，在计算机中设置一个保存评价最优指标的变量，保存最优结果的网络权重weight及其偏置量bias，将分割结果最优的网络权重weight及其偏置量bias保存到ph文件中；

g)重复步骤f)N次，将训练集train_i和测试集val_i分别放入优化后的网络结构中训练并保存网络结构机器权重；

h)在进行分割医学图像时，加载步骤g)中保存的网络结构及其权重，然后从测试集val_i中加载一张图像，将图像放进网络结构中，最终得到图像的分割结果，将分割结果保存成jpg格式的文件。

进一步的，步骤a)中通过Python中pydicom模块读取图像数据存储的路径和。