[发明专利]一种基于不确定性引导的深度学习策略的图像分割方法及应用

说明书

本发明公开了一种基于不确定性引导的深度学习策略的图像分割方法及应用，其包括以下步骤：（1）基于现有深度学习网络对眼底图像进行粗分割，得到视杯区域对应的粗分割结果；（2）借助形态学操作处理图像粗分割结果，得到一个视杯边界可能出现的大概区域，即潜在的边界区域；（3）利用传统的高斯滤波对潜在的边界区域进行平滑处理，可得到目标边界对应的不确定性图像；（4）基于边界不确定性图像和原始图像，重新训练选定的深度学习网络，执行眼底视杯的精细分割，可在不改变网络结构的条件下得到更加准确的目标提取性能。基于公开的REFUGE眼底图像数据的视杯分割实验显示：本发明能够显著改善现有深度学习网络的图像分割性能，大幅改善眼底图像中的视杯的提取精度。

技术领域

本发明具体涉及一种基于不确定性引导的深度学习策略的图像分割方法及应用。

背景技术

图像分割是一种依据像素的灰度分布和组织对比度等特性将整幅图像分为若干个彼此独立的局部区域的技术。该技术不仅可用于图像的理解与分析、病灶的探测定位及其形态特征的测量评估中，而且是许多图像处理任务中的一个关键预处理步骤，因此在图像处理中具有十分重要的作用。为准确提取所需的图像区域，人们提出了各种不同的图像分割算法并将它们分为无监督分割和有监督分割。

无监督分割算法通常根据图像的颜色和灰度分布，不同组织结构之间的形状和位置关系等特性，执行兴趣目标与无关背景的分辨，实现目标区域的准确提取。这类算法通常具有操作简单，运行快速的特点，能够有效处理成像质量相对较好的图像，但是容易受图像伪影或噪声的干扰，导致其难以从具有严重成像伪影、噪声、或者较弱组织对比度等现象的图像中提取目标区域。此外，这类算法的性能往往与个人经验密切相关，因为算法中相关参数的是依靠个人的，不合适的参数值和多变的成像条件将严重退化算法的图像分割性能，导致其无法胜任大规模临床图像的高质量处理。

有监督分割算法大多借助手工标注信息，辅助图像特征信息的探测和兴趣目标的提取。手工标注信息的使用使得这类算法能够有效缓解图像伪影或噪声对分割性能的影响，使其具有比无监督分割算法更好的目标提取性能。当前，基于深度学习的分割算法是有监督分割领域中的一个重点研究方向；这类算法能够执行端到端的图像分割并且获得极高的精度，其中代表性的分割网络是U-Net。该网络被广泛用于各种图像的处理中并获得合理的分割性能，但是它难以处理目标的边界区域而具有较大的边界探测误差。这是因为U-Net多次下采样图像，会导致图像分辨率的显著降低、目标边界的模糊和大量纹理信息的丢失。为提升U-Net的分割性能，大量的改进算法被提出来，例如Attention U-Net、BiO-Net和U-Net++等网络。这些改进网络通过使用不同的网络结构，获取大量目标相关的特征信息，从而降低多次下采样造成的信息丢失；但是网络结构的设计往往是十分复杂的，需要大量的专业知识作为支撑。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于不确定性引导的深度学习策略的图像分割方法及应用，借助现有的图像分割网络实现兴趣目标的粗分割并在粗分割的基础上构建一个边界不确定性图像，然后基于边界不确定性图像和原始图像重新训练分割网络，执行目标区域的精细分割，从而改善现有分割网络的分割性能。

为实现上述目的，本发明提供了如下技术方案：

一种基于不确定性引导的深度学习策略的图像分割方法，其包括：

1）基于图像分割网络对图像进行粗分割, 根据待分割医学图像和对应手工标注信息执行兴趣目标的初步提取；

2）对粗分割的结果进行边界区域提取；

3）利用高斯滤波对潜在边界区域对应的二值图像进行平滑处理，使得二值图像转换为所需的边界不确定性图像，

4）基于步骤3）获取的边界不确定性图像，将边界不确定性图像和待分割的原始图像整合起来，然后将整合结果和原始图像对应的手工标注信息输入到当前图像分割网络中，进行深度学习模型的训练。

所述分割网络为U-Net分割网络。