CN110619633A - 一种基于多路滤波策略的肝脏图像分割方法 - Google Patents

Abstract

本发明公开了一种基于多路滤波策略的肝脏图像分割方法。本发明的方法是对原始的肝脏图像分别使用不同的滤波器组做预处理，得到不同的肝脏图像集合，然后训练多个U‑net神经网络，最后利用随机森林融合多个神经网络的分割结果完成最终的语义分割工作。本发明实现了对肝脏图像的预处理工作，利用U‑net神经网络对肝脏图像相关特征进行自动提取，并且利用随机森林融合多个U‑net网络的分割结果使得模型泛化能力更强，在测试集上实现了较好的自动化分割效果，可以辅助医生进行诊断。

Description

一种基于多路滤波策略的肝脏图像分割方法

技术领域

本发明涉及信息处理技术领域，特别是涉及一种基于多路滤波策略的肝脏图像分割方法。

背景技术

在临床医学中肝脏的分割以及精度要求主要取决于医生的临床经验以及医学知识。这个过程工作量大，效率较低，主观性较强，差异性较大。随着计算机技术的发展，学者们提出了诸多医学图像分割算法，如阈值分割法、区域生长分割法、主动轮廓分割法等。然而，在组织或器官边界不明显的情况下，这些算法难以获得满意的分割结果，且通常需要人工干预，存在人为误差。阈值分割法在图像背景和目标差异较大时可得到精确的分割图像，但在灰度不均匀的情况下得到的分割结果不理想；区域生长分割法对种子点的选取和生长合并规则敏感，容易对图像连通性和完整性造成破坏；主动轮廓分割法利用了先验知识，具有较好的分割效果，但非常耗时。

近年来，深度学习作为机器学习领域的研究热点在目标检测、语音识别、图像分割等领域应用广泛。例如将深度学习在婴儿脑部图像分割、CT影像中肝脏区域分割、生物细胞分割等医疗影像分割应用中均取得优于传统分割方法的分割效果。

发明内容

本发明的目的在于提供一种基于多路滤波策略的肝脏图像分割方法。

本发明解决其技术问题采用的技术方案如下：

一种基于多路滤波策略的肝脏图像分割方法，包括如下步骤：

步骤一：分别使用不同的滤波器组对包含肝脏的核磁共振成像切片进行预处理，根据处理方式的不同分别得到N组肝脏数据；

步骤二：构建U-net模型结构，将所述N组肝脏图像数据分别输入N个神经网络模型进行并行训练，得到N个基于不同特征的肝脏语义分割模型；

步骤三：对N个肝脏语义分割模型训练出来的肝脏图像做进一步处理，提取每一图像相同坐标点的像素值，将其作为输入训练随机森林像素点分类器；

步骤四：利用训练好的肝脏语义分割模型对原始图像进行处理，得到N组不同的肝脏语义分割图像，在此基础上利用训练好的随机森林像素点分类器对不同组图像相同坐标点的像素值进行处理，得到每个坐标点最终的像素值，从而得到最终的肝脏分割图像。

优选的,步骤一中，N＝4，根据处理方式的不同得到的肝脏数据包括高斯滤波图像、拉普拉斯滤波图像、双边滤波图像及原始图像。

优选的,步骤二中，所述U-net模型结构包括左侧的收缩路径网络和右侧的扩张路径网络，所述收缩路径网络用于捕捉内容，所述扩张路径网络用于精准定位，两个网络呈对称关系。

进一步的,所述收缩路径网络的每一步处理包含两个3×3的卷积核的重复应用，每一个卷积操作之后跟着一个线性修正单元，每一步处理的最后操作为步长为2、pool-size为2×2的最大池化层；

所述扩张路径网络的每一步处理包含一个特征图的上采样，然后利用2×2的卷积层将通道数减半，再与来自对应收缩路径网络的特征图合并，最后利用两个卷积核大小为3×3，激活函数为RELU的卷积层做进一步处理。

进一步的,步骤二中，在所述U-net模型结构的训练过程中使用到的损失函数为如下交叉熵损失函数：

式中J(θ)为损失函数值，m为样本数，y⁽ⁱ⁾为便签图像中的实际像素值，x⁽ⁱ⁾为神经网络中最后一个卷积层的输出，h_θ(x⁽ⁱ⁾)为模型预测的像素值；

经过计算损失函数值，得到网络模型预测值与真实值之间的差距，然后利用梯度下降以及链式求导法则对神经网络参数进行更新，参数更新如下式所示：

式中α为学习率，为节点间的权重，为偏置。

进一步的,步骤三具体包括：

1)将每一张原始图像输入四个肝脏语义分割模型，得到四张不同的肝脏分割图像K1,K2,K3,K4；

2)对这四张图像相同坐标点的像素值进行统计得到一组数据X_n＝[K1(i,j),K2(i,j),K3(i,j),K4(i,j)]，式中K(i,j)为相应图在(i,j)点的像素值，n为原始图像对应的下标；

3)将得到的这些数据作为随机森林的输入，每张原始图像对应标签图像的每一个坐标点的像素值作为相应的标签值，训练随机森林像素点分类器。

本发明与背景技术相比，具有的有益的效果是：

本发明使用的基于U-net模型的肝脏图像精准语义分割方法能有效分割出MRI图像中的肝脏部分，相比传统方法分割效果更加出色。能有效减小医生在肝脏分割过程中受主观性以及外部因素的干扰，能起到较好的医疗辅助作用。本发明具有以下优点：

(1)不同滤波器组的使用。在本发明中前期的数据预处理使用了高斯滤波器以及拉普拉斯滤波器、双边滤波器，有针对性的消除了图像中某些噪声以及微血管的干扰。

(2)并行训练。本发明针对不同滤波器处理过后的数据采取并行训练的方式，得到多个不同的分割模型。

(3)集成学习确定像素值。为了提高系统的鲁棒性，本发明对来自于同一张原始图像，但是经过多个U-net模型得到的分割结果做进一步处理，将不同图像相同位置的像素值作为输入训练随机森林分类器，以此得到该点的像素值。

(4)与传统的肝脏分割方法相比，本发明不仅不需要为MRI图像提取其他的特征，还不需要人工进行干预，是一个自动的、无监督的肝脏分割系统，在提高精度的同时，也大大提高了分割的效率。

附图说明

图1是本发明实施例的基本实现流程示意图。

图2是本发明实施例中U-net神经网络模型结构图。

图3是使用本发明实施例处理之后获得的肝脏图像，以及原始图像。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

本发明的一种实施例涉及一种基于多路滤波策略的肝脏图像语义提取方法。该方法如图1所示，其具体步骤如下：

步骤一：分别使用高斯滤波器、拉普拉斯滤波器、双边滤波器对包含肝脏的MRI切片进行预处理，两种预处理方法并行分开进行。根据处理方式的不同分别得到四种类型的肝脏数据：高斯滤波图像、拉普拉斯滤波图像、双边滤波图像、原始图像。

对于图像来说，高斯滤波器的作用是进行图像模糊化(消除高斯噪声，去吃噪声点)。二维高斯函数如(1)式所示：

式(1)中(x,y)为点坐标，

σ为标准差。

要得到一个高斯滤波器的模板，可以利用高斯函数对坐标值进行离散化。例如：要产生一个3×3的高斯滤波器模板，可以以模板的中心位置为坐标原点进行取样，然后将各个位置的坐标带入高斯函数中，得到的值就是模板的系数。

拉普拉斯滤波器的作用是锐化肝脏图像中的微血管结构，使其便于分割。二维图像的拉普拉斯变换定义如(2)式所示，最后锐化公式如(3)式所示：

式中g(x,y)为最后输出，

f(x,y)为原始图像，

c为相关系数；

双边滤波器是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。之所以可以达到这样的滤波效果，是因为双边滤波器的权重不仅考虑了像素的欧式距离，还考虑了像素范围域中的辐射差异。双边滤波器权重系数定义如(4)式所示，最终输出像素的值如(5)式所示。

式(4)、(5)中σ_d以及σ_r为平滑系数，

(i,j)为中心坐标，

(k,l)为其他像素点坐标，

I(i,j)，I(k,l)为坐标点的像素值，

w(i,j,k,l)为权重系数，

I_D(i,j)为中心点双边滤波后像素值。

步骤二：构建U-net模型结构，将数据增强后的四种肝脏图像数据分别输入四个神经网络模型进行并行训练；

U-net网络包含一个左侧的收缩路径和一个右侧的扩张路径。收缩路径用于捕捉内容，扩张路径用于精准定位，两个网络呈对称关系，形成一个U型。

收缩路径每一步包含两个3×3的卷积核的重复应用，每一个卷积操作之后跟着一个线性修正单元(RELU)，每一步的最后的操作为步长为2、pool-size为2×2的最大池化层。

在扩张路径中每一步都包含一个特征图的上采样，然后利用2×2的卷积层将通道数减半，再与来自对应收缩路径的特征图合并，最后利用两个卷积核大小为3×3，激活函数为RELU的卷积层做进一步处理。

在U-net网络的训练过程中使用到的损失函数为交叉熵损失函数，如(6)式所示。

式中J(θ)为损失函数值，

m为样本数，

y⁽ⁱ⁾为便签图像中的实际像素值，

x⁽ⁱ⁾为神经网络中最后一个卷积层的输出，

h_θ(x⁽ⁱ⁾)为模型预测的像素值。

经过计算损失函数值，可以得到模型预测值与真实值之间的差距，然后利用梯度下降以及链式求导法则对神经网络参数进行更新，参数更新如式(7)、(8)所示。

式中α为学习率，

为节点间的权重，

为偏置。

在神经网络的训练过程中，通过不断的计算损失值以及参数更新，模型能够更好的契合肝脏数据，最终的分割准确率也更高。

步骤三：为了增加系统的鲁棒性，分别对四个U-net网络得到的分割图中相同位置的每一个像素点做进一步处理。

在这个过程中，将每一张原始图像输入四个语义分割模型，得到四张不同的肝脏分割图像K1,K2,K3,K4。对这四张图像相同坐标点的像素值进行统计得到一组数据X_n＝[K1(i,j),K2(i,j),K3(i,j),K4(i,j)]，式中K(i,j)为相应图在(i,j)点的像素值，n为原始图像对应的下标。将得到的这些数据作为随机森林的输入，每张原始图像对应标签图像的每一个坐标点的像素值作为相应的标签值，训练随机森林像素点分类器；

步骤四：综合训练好的语义分割模型以及随机森林像素点分类器。让包含肝脏的MRI图像切片先经过语义分割模型得到四张依据不同特征得到的肝脏语义分割结果图，然后利用随机森林像素点分类器对这四张图像对应位置的像素点进行处理，得到相应位置像素点的值，并输出最终的肝脏分割图。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于多路滤波策略的肝脏图像分割方法，其特征在于,包括如下步骤：

步骤一：分别使用不同的滤波器组对包含肝脏的核磁共振成像切片进行预处理，根据处理方式的不同分别得到N组肝脏数据；

步骤二：构建U-net模型结构，将所述N组肝脏图像数据分别输入N个神经网络模型进行并行训练，得到N个基于不同特征的肝脏语义分割模型；

步骤三：对N个肝脏语义分割模型训练出来的肝脏图像做进一步处理，提取每一图像相同坐标点的像素值，将其作为输入训练随机森林像素点分类器；

步骤四：利用训练好的肝脏语义分割模型对原始图像进行处理，得到N组不同的肝脏语义分割图像，在此基础上利用训练好的随机森林像素点分类器对不同组图像相同坐标点的像素值进行处理，得到每个坐标点最终的像素值，从而得到最终的肝脏分割图像。

2.如权利要求1所述的基于多路滤波策略的肝脏图像分割方法，其特征在于,步骤一中，N＝4，根据处理方式的不同得到的肝脏数据包括高斯滤波图像、拉普拉斯滤波图像、双边滤波图像及原始图像。

3.如权利要求2所述的基于多路滤波策略的肝脏图像分割方法，其特征在于,步骤二中，所述U-net模型结构包括左侧的收缩路径网络和右侧的扩张路径网络，所述收缩路径网络用于捕捉内容，所述扩张路径网络用于精准定位，两个网络呈对称关系。

4.如权利要求3所述的基于多路滤波策略的肝脏图像分割方法，其特征在于,所述收缩路径网络的每一步处理包含两个3×3的卷积核的重复应用，每一个卷积操作之后跟着一个线性修正单元，每一步处理的最后操作为步长为2、pool-size为2×2的最大池化层；

所述扩张路径网络的每一步处理包含一个特征图的上采样，然后利用2×2的卷积层将通道数减半，再与来自对应收缩路径网络的特征图合并，最后利用两个卷积核大小为3×3，激活函数为RELU的卷积层做进一步处理。

5.如权利要求4所述的基于多路滤波策略的肝脏图像分割方法，其特征在于,步骤二中，在所述U-net模型结构的训练过程中使用到的损失函数为如下交叉熵损失函数：

式中J(θ)为损失函数值，m为样本数，y⁽ⁱ⁾为便签图像中的实际像素值，x⁽ⁱ⁾为神经网络中最后一个卷积层的输出，h_θ(x⁽ⁱ⁾)为模型预测的像素值；

经过计算损失函数值，得到网络模型预测值与真实值之间的差距，然后利用梯度下降以及链式求导法则对神经网络参数进行更新，参数更新如下式所示：

式中α为学习率，为节点间的权重，为偏置。

6.如权利要求5所述的基于多路滤波策略的肝脏图像分割方法，其特征在于,步骤三具体包括：

1)将每一张原始图像输入四个肝脏语义分割模型，得到四张不同的肝脏分割图像K1,K2,K3,K4；

2)对这四张图像相同坐标点的像素值进行统计得到一组数据X_n＝[K1(i,j),K2(i,j),K3(i,j),K4(i,j)]，式中K(i,j)为相应图在(i,j)点的像素值，n为原始图像对应的下标；

3)将得到的这些数据作为随机森林的输入，每张原始图像对应标签图像的每一个坐标点的像素值作为相应的标签值，训练随机森林像素点分类器。