[发明专利]一种基于改进U-Net网络的类器官分割方法及系统

说明书

本发明涉及一种基于改进U‑Net网络的类器官分割方法及系统，涉及图像分割领域，该方法包括：将待分割类器官图像输入类器官分割模型，输出类器官分割图；类器官分割模型为根据类器官数据集对改进的U‑Net训练得到的；编码器包括N个依次连接的编码层和与第N个编码层连接的特征加强单元，各编码层均包括动态卷积模块和下采样模块，特征加强单元包括动态卷积模块和协调注意力模块，协调注意力模块用于对输入的特征信息进行细化和加强；解码器包括N个依次连接的解码层，各解码层均包括依次连接的上采样模块和动态卷积模块；各编码层和与各编码层对应的解码层之间采用注意门跳跃连接；下采样模块采用卷积下采样操作。本发明提高了图像分割精度。

技术领域

本发明涉及图像分割领域，特别是涉及一种基于改进U-Net网络的类器官分割方法及系统。

背景技术

类器官是一种三维模型，相对细胞模型能更好反应个体情况。目前，类器官已经可以模拟大脑、视网膜和肠道等器官。肿瘤类器官直接来源于患者，可以模拟体内肿瘤微环境，使离体培养的肿瘤细胞处在一个更接近于真实环境的状态，提高了在肿瘤药物筛选研究应用中的准确性。

近年来随着人工智能的不断发展，以SegNet、VGGNet、GAN和ResNet为代表的深度卷积神经网络广泛应用于计算机视觉领域。在卷积网络的加持下医学影像的采集和分析都取得了巨大的进步，如眼底视网膜病变检测与分类、肿瘤目标检测、肺部结节分类等应用。在类器官药物筛选的研究中，研究人员通常要用肉眼对类器官图像进行观察与筛选。这种工作方式强度大，且效率低下，巨大的工作量还可能会导致工作准确率的降低。Shelhamer等在2015年采用全卷积网络(Fully ConvolutionNetworks，FCN)来进行像素级、端对端的图像分割任务，FCN算得上是图像分割领域网络模型的开篇之作。随后Ronneberger等在FCN基础上提出了U-Net，该模型的跳跃连接很好地弥补了FCN在下采样过程中信息丢失的问题。该模型因为结构简单、参数量少以及可塑性强等特点，被广泛用于多种图像分割任务，尤其是在医学图像分割中效果显著。但是在对医学图像中一些细节部分的分割效果还有所欠缺，比如在视网膜血管分割任务中，末端小血管的分割会出现断裂、缺失等情况。后来的研究者以U-Net为基本框架进行改进，例如Quan等将U-Net分割网络与第一残差结构相结合，同时改进跳跃连接，构建了更深的模型来进行分割。Chen等将Transformer模型与U-Net相结合构建出TransUNet，用于多器官分割数据集Synapse(包括8个腹部器官：主动脉、胆囊、脾脏、肾脏等)取得了不错的分割效果。

目前，由于光学成像时存在成像亮度不均衡、类器官边界轮廓模糊、类器官重影粘连、与背景对比度低等问题，这些问题影响了类器官的分割精度，类器官的分割精度仍有待提高。

发明内容

本发明的目的是提供一种基于改进U-Net网络的类器官分割方法及系统，提高了图像分割精度。

为实现上述目的，本发明提供了如下方案：

一种基于改进U-Net网络的类器官分割方法，包括：

获取待分割类器官图像；

将所述待分割类器官图像输入类器官分割模型，输出类器官分割图；所述类器官分割模型为根据类器官数据集对改进的U-Net训练得到的；

所述改进的U-Net的编码器包括N个依次连接的编码层和与第N个所述编码层连接的特征加强单元，各所述编码层均包括动态卷积模块和下采样模块，所述特征加强单元包括动态卷积模块和协调注意力模块，所述协调注意力模块用于对输入的特征信息进行细化和加强；解码器包括N个依次连接的解码层，各所述解码层均包括依次连接的上采样模块和所述动态卷积模块；各所述编码层和与各所述编码层对应的解码层之间采用注意门跳跃连接；所述下采样模块采用卷积下采样操作。

可选地，还包括：

对所述类器官分割图进行二值化；