CN112258488A - 一种医疗影像病灶分割方法 - Google Patents

Abstract

本发明属于人工智能图像处理技术领域，具体涉及一种医疗影像病灶分割方法，包括如下步骤：获取医学CT影像数据，进行二值化、特征标注等预处理工作，得到原始数据集；使用去噪方法对医学图像进行去噪处理，对多种不同模态的图像进行图像融合；利用获得的数据集进行平移、旋转、翻转和移位等数据增强方法，实现数据集的扩充；通过融合模块的方式构建分割网络模型；将分割网络模型中不同阶段获得的特征图进行融合拼接后，进行卷积操作输出预测的分割图；在构建的分割网络模型中，利用数据集进行训练，得到损失函数的信息和分割结果；根据损失函数值调整网络参数，生成并保存训练好的医学图像分割网络模型，本发明提高模型的分割准确率。

Description

一种医疗影像病灶分割方法

技术领域

本发明属于人工智能图像处理技术领域，具体涉及一种医疗影像病灶分割方法。

背景技术

随着计算机科学技术的进步和计算机硬件性能的提升，影像技术也在不断发展，而医学影像作为医学方向发展较快的学科已经逐步成为人们研究的热点。但由于医学图像的成像原理和人体组织本身的特性差异，导致医学图像存在复杂性和多样性的特点，存在识别和分割困难；同时医学影像的发展为人们提供了丰富的图像数据信息，使得医生需要花费大量的时间来进行病状鉴别，这项工作对医生来说将是一个挑战，有可能因为医生经验不足或长时间鉴别产生诊断疲劳，从而导致漏诊和误诊的情况发生。医学图像分割的目的就是准确找出图像中的病变区域，然后医生根据分割结果能够及时对患者进行针对性的治疗，来实现降低病情恶化可能性的目的。因此，精确分割出病灶区域在临床医学上有着举足轻重的重要性。

存在问题或缺陷的原因：1、由于医院的设备种类复杂、数据繁多，没有一个统一的标准去规范所需要采集的数据，也没有一个统一化的医疗数据库；其次医学图像的数据比例不平衡，患病数据与正常数据的比值波动大，且与疾病的类型直接相关联；最后针对不同的患病部位需要专门的医生进行技术指导，且不同医生的指导意见不同，没有办法形成一个统一的标准。2、传统的分割方法常常需要大量的人机交互过程完成目标提取，且学习能力较弱，对噪声和模糊等干扰抵抗力较弱，导致分割准确率较低。3、目前的Unet网络难以充分提取医学图像特征，同时在训练过程中存在梯度消失、特征利用率低等问题，导致模型的分割准确率较低。

发明内容

针对上述传统的医学图像处理方法没有统一的标准、传统的分割方法分割准确率较低、Unet网络难以充分提取医学图像特征的技术问题，本发明提供了一种精度高、成本低、复现能力强的医疗影像病灶分割方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种医疗影像病灶分割方法，包括下列步骤：

S100、获取医学CT影像数据，进行二值化、特征标注的预处理工作，得到原始数据集；

S200、通过导向滤波、直方图均衡化和索贝尔边缘增强三种去噪方法对医学图像进行去噪处理，获得多种不同模态的图像后，对多种不同模态的图像进行图像融合得到数据集；

S300、利用S200获得的数据集进行平移、旋转、翻转和移位的数据增强方法，实现数据集的扩充；

S400、通过融合模块的方式构建分割网络模型；

S500、将所述分割网络模型中不同阶段获得的特征图进行融合拼接，然后进行卷积操作输出预测的分割图；

S600、在构建的分割网络模型中，利用S300处理后的数据集进行训练，得到损失函数的信息和分割结果；

S700：根据损失函数值调整网络参数，生成并保存训练好的医学图像分割网络模型。

所述S400中构建分割网络模型的方法为：包括下列步骤：

S401：构建基于子编码块的U-Net网络模型，使用上采样的方式代替全连接层和激活函数；

S402：对构建的U-Net网络模型进行改进，使用密集连接块改进U-Net网络模型的SCB模块，加强特征传递的效率与效果，提高网络特征提取能力；

S403：将设计的多尺度上下文特征提取模块ASPP作为网络模型中编码和解码阶段的桥梁模块，并联不同的卷积以提取更多上下文特征，之后进行特征拼接，从而组成分割网络模型。

所述S401中构建基于子编码块的U-Net网络模型，U-Net网络模型整体呈U型结构，每层都由一对编码器和解码器构成，同时具有相同大小的特征图，所述特征图的通道数随特征图尺度变小而增大；每层所述解码器接受下层解码器的上采样特征和同层编码器输出特征的合并特征，而每层编码器除了向同层解码器输出特征外，还向下层编码器下采样输出特征。

所述编码器中SCB编码块通过将每个层的编码部分用一个子编码块代替，加深了编码器部分的网络深度，放大图像中的细节特征，提高其对病灶区域的特征表达能力和分割性能。

所述子编码块开始经过三个卷积层，然后分为两个分支：上分支由上采样操作，两个卷积操作之后再作最大池化操作；下分支通过最大池化操作和两个个卷积操作之后在作上采样操作；最后进行合并后进行三个卷积操作。

所述上采样的方法为池化的逆过程，所述上采样通过反向训练能够达到输出重构输入的效果，使输出图像恢复到与输入图像相同大小的维度。

所述S402中密集连接块中任何两个卷积层之间都进行连接操作，即每一层的输入特征为之前所有层输出特征的并集，使得L层卷积网络具有L(L+1)/2个连接，增强了层与层特征间的关联性，通过特征重用的方式提高网络性能，所述密集连接块可表示为如下公式：x_l＝H_l([x₀,x₁,…,x_l-1])，所述x_l为1层的输出特征图；H_l为l层所有特征映射的拼接。

所述S403中特征提取模块并联不同卷积核大小的卷积层分别进行特征提取，不同尺度的卷积核代表可提取不同层次的特征信息，通过卷积操作后可以获得不同层次的特征信息。

所述S500的具体步骤为：将不同层次的特征信息送入特征拼接模块进行特征拼接，获得特征融合图，特征拼接具体表示如下：

y＝concatenate(y₁,y₂,y₃,y₄)，所述y_i∈R_c×h×w(i＝1,2,3,4)分别为经过四个并行卷积层之后获得的特征图。

所述分割网络模型通过使用交叉熵损失函数获得损失函数值：

所述J(θ)为参数θ的偏导数，所述y⁽ⁱ⁾取0或者1，所述m为类别数，所述x⁽ⁱ⁾为预测像素，所述y⁽ⁱ⁾表示预测像素x⁽ⁱ⁾的真实值，所述h_θ(x⁽ⁱ⁾)表示预测像素x⁽ⁱ⁾属于类别1的概率，所述θ表示参数值。

本发明与现有技术相比，具有的有益效果是：

本发明提出的分割模型能够有效提取医学图像特征，减少特征丢失，实现精确分割，缓解医生的工作压力，提高诊疗精度，减小医疗成本；同时本发明可复现能力强，预期成果可用于实现医学图像分割和疾病智能诊疗，有一定的科学价值。

附图说明

图1本发明的主要步骤流程图；

图2本发明的运行逻辑流程图；

图3本发明的SCB模块示意图；

图4本发明的密集连接模块示意图；

图5本发明的ASPP模块示意图；

图6本发明的特征融合拼接示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种医疗影像病灶分割方法，如图1所示，包括下列步骤：

S100、获取医学CT影像数据，进行二值化、特征标注等预处理工作，得到原始数据集；

S200、使用导向滤波、自适应直方图均衡化和索贝尔Sobel边缘增强三种去噪方法分别对医学原始图像进行去噪处理，获得四种不同模态的图像，之后对四种不同模态的图像进行图像融合；

S300、利用步骤S2获得的数据集进行平移、旋转、翻转和移位等数据增强方法，实现数据集的扩充；

S400、利用融合模块操作构建分割网络模型；

S401、构建基于子编码块SCB的U-Net网络，使用上采样的方式代替全连接层和激活函数；

S402、对构建的网络模型进行改进，使用密集连接的概念改进SCB模块，加强特征传递的效率与效果，提高网络特征提取能力；

S403、将设计的多尺度上下文特征提取模块ASPP作为网络模型中编码和解码阶段的桥梁模块，并联不同的卷积以提取更多上下文特征，之后进行特征拼接；

S500、将分割网络模型中不同阶段获得的特征图进行融合拼接，之后进行卷积操作输出预测的分割图；

S600、在构建的分割网络模型中，利用步骤S3处理后的数据集进行训练，得到损失函数的信息和分割结果；

S700、根据损失函数值调整网络参数，生成并保存训练好的医学图像分割网络模型。

进一步，步骤S100中，由于原始医学CT影像具有高噪声、对比度低、病灶形状不规则等特性，需要使用图像增强的方法对原始图片进行预处理，首先使用相关工具对原始CT影像进行二值化处理得到病灶区域的二值化图，此外还需要手工处理对原图当中的病灶区域进行标注得到标签图，之后利用获得的二值图和标签图构建原始图像数据集。

进一步，步骤S200中，医学CT影像通过计算机断层扫描获得，但由于声音、温度等不可避免的因素，导致医学图像存在噪声，通过导向滤波、直方图均衡化和索贝尔Sobel边缘增强三种去噪方法对医学图像进行去噪处理，获得多种不同模态的图像，之后进行图像融合，得到融合数据集；

对于一个输入图像p，通过引导图像I，经过滤波后获得输出图像q，其中p和I都是算法的输入。引导滤波定义了如下所示的一个线性滤波过程，对于i位置的像素点，得到的滤波输出是一个加权平均值：

其中，i和j分别表示像素下表，W_ij是预引导图像I相关的滤波核。

而自适应直方图均衡化是通过有限度的调整图像局部对比度来增强有效信号和抑制噪声信号。直方图均衡化算法基于期望阈值获得各个区域直方图的裁剪限幅，将裁剪掉的部分均匀的分布到各个灰度级，达到图像增强、图像去噪的目的。

假设区域中像素和灰度的数量分别为M和N，且h_i,j(n)为(i,j)区域内灰度n的像素数量：

同时为了将对比度限制到期望的水平，提高信噪比，通过使用裁剪限幅进行直方图的裁剪，将式(2)中的最大斜率被限制为期望的阈值：

其中，β和α分别为裁剪限幅与裁剪因子。

而索贝尔算子属于滤波算子，主要是用在边缘检测技术，通过计算图像的亮度函数近似值，用于图像处理过程中的边缘检测问题。该算法用于提高原始图像整体清晰度，使CT图像中的特定区域轮廓更加明显，整体更加清晰。

进一步，步骤S300中，由于CT图像数量有限，还需要在此基础上实现数据集的扩充，这里使用图像增强的手段，通过平移、旋转、翻转和移位等方法为对原数据进行处理，得到原CT图的旋转图和镜像图等多种图像，实现数据量的有效扩增。

进一步，步骤S401中，如图2所示，构建基于子编码块SCB的U-Net网络，网络模型整体呈U型结构。每层都由一对编码器和解码器构成，同时具有相同大小的特征图，特征图的通道数随特征图尺度变小而增大；每层解码器接受下层解码器的上采样特征和同层编码器输出特征的合并特征，而每层编码器除了向同层解码器输出特征外，还向下层编码器下采样输出特征。其中编码器中SCB编码块主要是通过将每个层的编码部分用一个子编码块代替，加深了编码器部分的网络深度，放大图像中的细节特征，提高其对病灶区域的特征表达能力和分割性能。子编码块开始经过3个卷积层，然后分为两个分支：上分支由上采样操作，2个卷积操作之后再作最大池化操作；下分支通过最大池化操作和2个卷积操作之后在作上采样操作；最后进行合并后进行3个卷积操作。

进一步，上采样是一种卷积操作，其是池化的逆过程。在网络模型中，池化操作缩小了输入图片的尺寸，然而在图像分割过程中需要对每一个像素进行分类，并且最终得到与输入图片维度相同的分割图像，因此需要将生成的特征图恢复成原图像的维度。上采样通过反向训练，能够达到输出重构输入的效果，使输出图像恢复到与输入图像相同大小的维度。

进一步，如图3所示，步骤S402中，密集连接块中任何2个卷积层之间都进行连接操作，即每一层的输入特征为之前所有层输出特征的并集，使得L层卷积网络具有L(L+1)/2个连接，增强了层与层特征间的关联性，通过特征重用的方式提高网络性能。在SCB模块中引入密集连接块一方面改善了整个网络结构中的信息流和梯度流，完成隐藏的深度监督，用于缓解梯度消失问题，同时增强特征传递和特征重用，提高网络特征提取能力；另一方面还可以减少参数数量和特征图的学习数量，减少过拟合现象的发生。

密集连接块可表示为如下公式：

x_l＝H_l([x₀,x₁,…,x_l-1])

其中x_l是l层的输出特征图；H_l表示l层所有特征映射的拼接。

进一步，如图4所示，步骤S403中，将设计的多尺度上下文特征提取模块ASPP作为编码和解码阶段的桥梁模块，并联不同卷积核大小的卷积层分别进行特征提取，不同尺度的卷积核代表可提取不同层次的特征信息，通过卷积操作后可以获得不同层次的特征信息，如图5之后将不同层次的特征信息送入特征拼接模块进行特征拼接，获得特征融合图。

特征拼接具体表示如下：

y＝concatenate(y₁，y₂，y₃，y₄)

其中y_i∈R_c×h×w(i＝1,2,3,4)分别为经过四个并行卷积层之后获得的特征图。

进一步，如图1所示，步骤S400中，构建的分割网络模型，其利用步骤S401-S403通过融合模块操作后构建形成分割网络模型，如图6所示，该网络模型仅在四阶段输出最后的预测分割图，其分割图融合了最底层的特征与经过融合压缩后的高层特征，但在每个阶段为了进行跳跃连接，对高层特征进行压缩，丢失了部分特征信息，因此将网络模型中不同阶段获得的特征图进行融合拼接，能够极大的提升分割精度，使目标轮廓更加精细，提高分割效果。

进一步，步骤S600中，利用步骤S300处理后的数据集在构建的分割网络模型中进行训练，输出损失函数值和分割结果。

分割网络模型通过使用交叉熵损失函数获得损失函数值：

其中J(θ)为参数θ的偏导数，y⁽ⁱ⁾取0或者1，m为类别数，x⁽ⁱ⁾为预测像素，y⁽ⁱ⁾表示预测像素x⁽ⁱ⁾的真实值，h_θ(x⁽ⁱ⁾)表示预测像素x⁽ⁱ⁾属于类别1的概率，θ表示参数值。

进一步，步骤S700中，根据损失函数值的大小对网络参数进行调整，提高网络模型分割结果精细度，保存最优模型。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (10)

1.一种医疗影像病灶分割方法，其特征在于：包括下列步骤：

S100、获取医学CT影像数据，进行二值化、特征标注的预处理工作，得到原始数据集；

S200、通过导向滤波、直方图均衡化和索贝尔边缘增强三种去噪方法对医学图像进行去噪处理，获得多种不同模态的图像后，对多种不同模态的图像进行图像融合得到数据集；

S300、利用S200获得的数据集进行平移、旋转、翻转和移位的数据增强方法，实现数据集的扩充；

S400、通过融合模块的方式构建分割网络模型；

S500、将所述分割网络模型中不同阶段获得的特征图进行融合拼接，然后进行卷积操作输出预测的分割图；

S600、在构建的分割网络模型中，利用S300处理后的数据集进行训练，得到损失函数的信息和分割结果；

S700：根据损失函数值调整网络参数，生成并保存训练好的医学图像分割网络模型。

2.根据权利要求1所述的一种医疗影像病灶分割方法，其特征在于：所述S400中构建分割网络模型的方法为：包括下列步骤：

S401：构建基于子编码块的U-Net网络模型，使用上采样的方式代替全连接层和激活函数；

S402：对构建的U-Net网络模型进行改进，使用密集连接块改进U-Net网络模型的SCB模块，加强特征传递的效率与效果，提高网络特征提取能力；

S403：将设计的多尺度上下文特征提取模块ASPP作为网络模型中编码和解码阶段的桥梁模块，并联不同的卷积以提取更多上下文特征，之后进行特征拼接，从而组成分割网络模型。

3.根据权利要求2所述的一种医疗影像病灶分割方法，其特征在于：所述S401中构建基于子编码块的U-Net网络模型，U-Net网络模型整体呈U型结构，每层都由一对编码器和解码器构成，同时具有相同大小的特征图，所述特征图的通道数随特征图尺度变小而增大；每层所述解码器接受下层解码器的上采样特征和同层编码器输出特征的合并特征，而每层编码器除了向同层解码器输出特征外，还向下层编码器下采样输出特征。

4.根据权利要求3所述的一种医疗影像病灶分割方法，其特征在于：所述编码器中SCB编码块通过将每个层的编码部分用一个子编码块代替，加深了编码器部分的网络深度，放大图像中的细节特征，提高其对病灶区域的特征表达能力和分割性能。

5.根据权利要求4所述的一种医疗影像病灶分割方法，其特征在于：所述子编码块开始经过三个卷积层，然后分为两个分支：上分支由上采样操作，两个卷积操作之后再作最大池化操作；下分支通过最大池化操作和两个个卷积操作之后在作上采样操作；最后进行合并后进行三个卷积操作。

6.根据权利要求2所述的一种医疗影像病灶分割方法，其特征在于：所述上采样的方法为池化的逆过程，所述上采样通过反向训练能够达到输出重构输入的效果，使输出图像恢复到与输入图像相同大小的维度。

7.根据权利要求2所述的一种医疗影像病灶分割方法，其特征在于：所述S402中密集连接块中任何两个卷积层之间都进行连接操作，即每一层的输入特征为之前所有层输出特征的并集，使得L层卷积网络具有L(L+1)/2个连接，增强了层与层特征间的关联性，通过特征重用的方式提高网络性能，所述密集连接块可表示为如下公式：x_l＝H_l([x₀,x₁,…,x_l-1])，所述x_l为1层的输出特征图；H_l为l层所有特征映射的拼接。

8.根据权利要求2所述的一种医疗影像病灶分割方法，其特征在于：所述S403中特征提取模块并联不同卷积核大小的卷积层分别进行特征提取，不同尺度的卷积核代表可提取不同层次的特征信息，通过卷积操作后可以获得不同层次的特征信息。

9.根据权利要求1所述的一种医疗影像病灶分割方法，其特征在于：所述S500的具体步骤为：将不同层次的特征信息送入特征拼接模块进行特征拼接，获得特征融合图，特征拼接具体表示如下：y＝concatenate(y₁,y₂,y₃,y₄)，所述y_i∈R_c×h×w(i＝1,2,3,4)分别为经过四个并行卷积层之后获得的特征图。

10.根据权利要求9所述的一种医疗影像病灶分割方法，其特征在于：所述分割网络模型通过使用交叉熵损失函数获得损失函数值：

所述J(θ)为参数θ的偏导数，所述y⁽ⁱ⁾取0或者1，所述m为类别数，所述x⁽ⁱ⁾为预测像素，所述y⁽ⁱ⁾表示预测像素x⁽ⁱ⁾的真实值，所述h_θ(x⁽ⁱ⁾)表示预测像素x⁽ⁱ⁾属于类别1的概率，所述θ表示参数值。

Images