CN112561937A - 基于病变边界信息响应的上下文感知医学图像分割方法 - Google Patents
基于病变边界信息响应的上下文感知医学图像分割方法 Download PDFInfo
- Publication number
- CN112561937A CN112561937A CN202011509266.0A CN202011509266A CN112561937A CN 112561937 A CN112561937 A CN 112561937A CN 202011509266 A CN202011509266 A CN 202011509266A CN 112561937 A CN112561937 A CN 112561937A
- Authority
- CN
- China
- Prior art keywords
- features
- module
- coding
- edge
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003902 lesion Effects 0.000 title claims abstract description 22
- 238000003709 image segmentation Methods 0.000 title claims abstract description 20
- 230000004044 response Effects 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 235000019580 granularity Nutrition 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000019587 texture Nutrition 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于病变边界信息响应的上下文感知医学图像分割方法。该方法包括:对原始图像数据进行预处理;将预处理的图像数据输入到经训练的卷积神经网络进行特征提取以进行图像分割,其中卷积神经网络的编码网络包含多个编码阶段和空间金字塔卷积模块,并且每个编码阶段依次连接金字塔边缘特征提取模块、多任务学习模块和交叉特征融合模块,以挖掘同一水平的特征并聚合不同水平的特征,卷积神经网络的解码网络依次通过聚合空间金字塔卷积模块的输出特征和每个编码阶段的编码特征得到解码特征。本发明能够有效利用边界信息,充分挖掘了同一层次的上下文特征,并实现了不同层次特征之间的信息互补,从而显著改善了医学图像的分割效果。
Description
技术领域
本发明涉及生物医学工程技术领域,更具体地,涉及一种基于病变边界信息响应的上下文感知医学图像分割方法。
背景技术
病灶部位的精准分割在医疗图像分析中具有重要的作用,旨在对每个像素进行分类,并得到精细化的病变区域识别。近年来,随着医疗图像技术和设备的发展和普及,超声、MRI、CT及其他设备对于疾病的诊断提供了有效的手段。这些技术已经广泛应用到日常的医疗研究和诊断治疗中。对于不同种类的医疗设备,图像中的组织/病灶分割是一种重要的图像分析手段,例如肺部图像分割。精确的区域检测识别对于医学诊断提供了重要且可靠的参考价值。
医疗图像的特点是具有很高的类内差异性,并且类间的区分度不明显,同时一些噪声也会干扰图像质量。因此如何提取有效的上下文信息以及如何聚合不同水平的判别特征对于图像的精细分割仍是一个很大的挑战。
目前,随着医学图像数量的增加以及人工智能(AI)技术的发展,计算机辅助诊断成为一种重要的图像处理手段,然而自动的病变(器官或是组织)识别仍是一个复杂且极富挑战性的工作。首先,病变区域具有不同的尺寸和形状。对于某些疾病,不同的个体差异增加了识别的难度。对于分割任务而言,病变组织和背景之间的低区分性也带来了很大的挑战,尤其是,需要关注的区域同时包含着复杂的组织和器官,这对于区分边界像素带来了极大的困难。此外,某些设备和图像的噪声对于精确的分割也具有一定的阻碍。
传统的图像分割方法主要包括基于灰度、基于纹理和基于图集的方法,其主要是通过提取不同种类的像素和区域特征,提高自动分割的性能,但仍存在一些共同的缺陷:1)传统方法往往依靠设计低级的人工特征,并进行启发式假设,复杂场景的预测性能通常会受到极大的限制,此外,这些方法忽略了原始图像中大量的其他可用信息;2)对伪影、图像质量和亮度不均匀性的鲁棒性较差,这些方法很大程度上依赖于有效的预处理。例如,应用具有局部亮度直方图的标准化切割,从脊椎矢状位T1加权磁共振图像中分割出椎体。又如,基于偏微分方程的皮肤病变边界检测框架采用测地线活动轮廓或测地线边缘跟踪模型分割目标区域。再如,设计基于拓扑信息和解剖学统计图谱的分割框架,约束预测和图谱之间的拓扑等价性。但是这些分割方法极大的受制于阈值的选择和区域的划分等因素。此外,人为定义的分割特征很大程度上依赖于研究人员的经验。
近年来,深度卷积神经网络(CNN)已经成功地应用于计算机视觉中的各种问题,使用编解码器框架进行图像分割任务显示出不俗的表现。在编码网络中,图像特征由低级到高级使用连续的多个卷积层进行编码。在解码部分,通过多个上采样(上池化或反卷积)层得到预测结果。例如,现有的名为DeepLab的分割框架,定制了一个空间金字塔卷积模块,通过并行扩张卷积对多尺度上下文信息进行编码。又如,采用多尺度的金字塔池化模块来捕获编码器网络中的多尺度上下文信息,或者通过密集的反卷积层、级联的残差池化和辅助监督来获取图像的细粒度多尺度特征,用于分割任务。再如,定制协作网络架构,通过具有注意力机制的半监督学习,共同提高疾病分类和病变分割的性能。
经分析,现有技术的缺点主要是:1)传统分析方法,在处理医学图像分割问题时,通常以特征点、边缘检测等为基础进行分析,其缺点是易受成像对比度、噪声以及一些人工效应的干扰,分析精度低。另外,传统方法往往严格依赖设计的人工特征进行图像编码,对复杂场景的预测性能通常会受到极大的限制。2)现有的基于全卷积神经网络的图像分割方法往往不能精确的识别目标边界,因而难以产生令人满意的分割效果。这是由于在连续的池化和卷积操作后,图像上下文信息有限和所提取的特征区分度不充分造成的。
总之,有效地提取图像上下文信息对于提高图像分割性能非常重要。但是,基于传统卷积神经网络的方法在目标的边界处并没有达到理想的分割效果。这是由于上下文信息的局限以及经过连续的卷积和池化之后的特征图不具有充足的判别力所造成的。虽然现有方法取得了不错的结果,并且更少的依赖专家特征工程设计,但是仍具有很大的提升空间,如何学习得到更加丰富的图像上下文信息并用于神经网络进行特征提取,对提升图像分割的准确率十分重要。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于病变边界信息响应的上下文感知医学图像分割方法,能够提取更加丰富的上下文信息用于医学图像的语义分割。
本发明的技术方案是提供一种基于病变边界信息响应的上下文感知医学图像分割方法,该方法包括:
对原始图像数据进行预处理;
将预处理的图像数据输入到经训练的卷积神经网络进行特征提取以进行图像分割,其中所述卷积神经网络的编码网络包含多个编码阶段和空间金字塔卷积模块,并且每个编码阶段依次连接金字塔边缘特征提取模块、多任务学习模块和交叉特征融合模块,以挖掘同一水平的特征并聚合不同水平的特征,所述卷积神经网络的解码网络通过依次聚合所述空间金字塔卷积模块的输出特征和每个编码阶段的编码特征得到解码特征。
与现有技术相比,本发明的优点在于,在编码网络的各个阶段,通过级联构建的金字塔边缘提取模块,多任务学习模块以及交叉特征融合模块,从整个编码网络中选择性地聚合多层次特征,对网络编码过程中每个阶段的丰富上下文信息和细粒度特征进行提取,极大改善了图像分割的准确率。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于病变边界信息响应的上下文感知医学图像分割方法的流程图;
图2是根据本发明一个实施例的基于病变边界信息响应的上下文感知医学图像分割网络的整体框架图;
图3是根据本发明一个实施例的金字塔边缘特征提取模块的示意图;
图4是根据本发明一个实施例的多任务学习模块的示意图;
图5是根据本发明一个实施例的交互注意力示意图;
图6是根据本发明一个实施例的交叉特征融合模块的示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明提出了一种新的基于病变边界信息响应的上下文感知卷积网络框架(boundary-aware context neural network,BA-Net),该框架主体包含编码网络和解码网络。在编码网络的各个阶段,首先提出了金字塔边缘提取模块(pyramid edge featureextraction module,PEE),以获取由粗到细的多粒度的边缘信息。然后,设计了一个多任务学习模块(multi-task learning module,mini-MTL),用于联合学习分割目标区域和检测病灶边界。并且,提出了一种新的交互注意力机制(interactive attention,IA)来连接两个任务以实现不同任务之间的信息互补,有效地利用边界信息为更好的分割预测提供有力的线索。最后,设计了一个交叉特征融合模块(cross feature fusion module,CFF),从整个编码网络中选择性地聚合多层次特征。
具体地,参见图1所示,该实施例提供的基于病变边界信息响应的上下文感知医学图像分割方法包括以下步骤:
步骤S110,对原始图像数据进行预处理。
例如,对原始图像进行预处理主要包括规范化、随机翻转,随机裁剪等数据增强手段,对样本进行扩充和增强。
步骤S120,构建多层卷积神经网络用于对输入图像进行特征提取,该网络包括编码-解码主干网络。
结合图2构建的多层卷积神经网络进行特征提取,其中编码网络采用残差神经网络Resnet作为主体结构,其包含四个残差卷积模块和一个空间金字塔卷积模块(ASPP),例如该空间金字塔卷积模块包含四个多尺度的卷积和一个全局池化操作,以用于压缩和合并特征图。在编码网络中,Resnet中的最后一个全局池化层及全连接层被去掉了,只保留一个卷积和四个残差模块用于主要的特征提取。不失普遍性,对于每张输入图像,将四个残差模块的输出分别表示为Fi,i∈{1,2,3,4}。在最后一个残差模块的输出特征图中应用了空间金字塔卷积模块用于进一步编码和捕捉多尺度特征。
步骤S130,在编码网络的每个阶段增加金字塔边缘特征提取、多任务学习和交叉特征融合,以挖掘同一水平的特征并聚合不同水平的特征。
仍结合图2所示,为了产生更丰富的上下文信息,用于解码过程的引导,优选地,在编码网络的每个阶段增加了三个模块,即金字塔边缘特征提取模块(标记为Pyramid Edge或称PEE模块)、多任务学习模块(标记为mini-MTL)和交叉特征融合模块(标记为CFF),这三个模块用于当前编码阶段充分挖掘同一水平的特征以及聚合不同水平的特征,具体参加下文。
金字塔边缘特征提取模块如图3所示,病变区域的边缘对于分割目标的位置提供了重要的信息。然而,该边缘也是非常复杂和多变的,为了得到一个鲁棒的边缘信息,该实施例设计了一个简单却有效的特征提取方法,能够挖掘不同尺寸的边缘特征。首先,使用一个1x1的卷积压缩编码网络中每个阶段的最后一个残差模块,并将他们作为PEE模块的输入,定义如下:
其中,表示拼接过程,表示PEE模块的输出特征图,表示相关参数。通过上述多粒度的边缘特征提取设计,有效地提高了相应编码阶段的特征表示能力。通过提取和整合不同粒度的边界信息,有效地改善了边缘特征,抑制了噪声。随后,输出映射被输入到mini-MTL模块,以促进更精细特征的提取。
多任务学习模块如图4所示。来自于目标边缘的额外信息可以帮助判断目标的形状,并且,语义分割和边缘检测具有很强的依赖关系。基于这个观点,该实施例提出一个多任务学习网络mini-MTL,将其嵌入在编码网络的每个阶段中,这样可以不需要引入过多的参数即可进行分割和边缘检测。mini-MTL模块的主要作用是基于目标分割与目标边缘检测之间潜在的关联来得到任务互补的效果增益。结合图4,这个多任务学习网络(多任务学习模块)包含两个主要组成部分,即各任务分支和交互注意力层。每个任务分支包含两个卷积层和一个上采样层。卷积操作主要用来编码任务相关的特征,上采样层是用来得到对应预测的结果。在第i阶段,PEE模块的输出特征图作为两个子任务的输入,用于同时提取相关任务的特征,表示为:
如图5所示,为了整合其他任务的有效信息,该实施例设计了一个简单有效的交互式注意力整合方法。以边缘特征整合为例,首先利用一个sigmoid函数得到一个权重矩阵,即表示当前边缘特征的重要位置。然后对注意力权重取反,即得到另一个任务的权重注意力权重矩阵(掩码)。最后,通过逐像素的相乘操作可以从边缘特征中选择性的传递有用的信息到当前的分割特征中,表示为:
此处,边缘特征图和分割特征图可均以二值化的形式表示,损失函数均采用二值交叉熵损失函数。
交叉特征融合模块如图6所示,在编码网络部分,低层特征具有丰富的空间信息,高层特征具有丰富的语义信息。为了能够同时利用空间结构的细节特征和语义特征,该实施例提出一个交叉特征融合模块(CFF),能够选择性的聚合高层和低层特征。其中,对于多任务学习模块得到的第i个特征图CFF模块自适应的从多个输入特征中选择互补的内容,通过以下注意力机制:
步骤S140,对编码网络提取的特征进行解码。
通过在编码阶段级联以上三个模块,丰富的上下文信息和精细化的特征被编码进来。在解码网络中,通过聚合空间金字塔卷积模块的输出特征和每个阶段的编码特征得到解码特征Di,i∈1,2,3,4:
需要说明的是,在不违背本发明精神和范围的前提下,本领域技术人员可对上述实施例进行适当的变型或改变,例如,多任务学习模块设置更多的卷积层进行特征提取,编码网络中设置更多的卷积残差模块或采用其他的编码结构等。此外,本发明不仅可用于二维医学图像分割任务,还可推广应用于三维医学图像、视频的病灶分割任务等。
为进一步验证本发明的效果,进行了实验验证。结果表明,在基于皮肤镜图像、内窥镜图像、X光图像分割病变区域的实验中均取得了目前最优的分割效果,分割平均交并比(Mean Intersection over Union,mIoU)指标达81.0%,86.1%以及92.8%,分割表现超过现有基于这些任务的深度学习模型。
综上所示,本发明提出了一种新的基于病变边界信息响应的上下文感知医学图像分割方法。在编码网络的各个阶段,提出了金字塔边缘特征提取模块,以获得多粒度的边缘信息。由于目标对象的边界定义了对象的形状,从而为分割目标对象提供了十分有效的补充线索。并且,为了获得更丰富的样本知识,在编码网络的各个阶段,设计了多任务学习模块,并在训练过程中共同监督分割和边界预测。此外,为了充分利用不同任务的特点,提出了一种交互式注意力方法,有效的利用了不同任务的互补信息,有助于对目标区域进行细化。最后,提出了一个交叉特征融合模块,通过选择性地聚合整个编码器网络中的多层次特征,进一步捕获有价值的上下文信息,并保留了良好的空间信息。总之,本发明通过在编码网络中级联上述三个模块,对每个阶段的丰富上下文和细粒度特征进行编码,并在解码网络中,将这些特征映射进行整合,从而得到最终的分割预测,显著改善了医学图像的分割效果。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于病变边界信息响应的上下文感知医学图像分割方法,包括:
对原始图像数据进行预处理;
将预处理的图像数据输入到经训练的卷积神经网络进行特征提取以进行图像分割,其中所述卷积神经网络的编码网络包含多个编码阶段和空间金字塔卷积模块,并且每个编码阶段依次连接金字塔边缘特征提取模块、多任务学习模块和交叉特征融合模块,以挖掘同一水平的特征并聚合不同水平的特征,所述卷积神经网络的解码网络通过依次聚合所述空间金字塔卷积模块的输出特征和每个编码阶段的编码特征得到解码特征。
2.根据权利要求1所述的方法,其中,所述编码网络依次包含多个残差卷积模块,且最后一个残差卷积模块的输出特征图应用所述空间金字塔卷积模块以捕捉多尺度特征。
4.根据权利要求1所述的方法,其中,所述多任务学习模块包含边缘提取子任务分支、分割子任务分支和交互注意力层且以所述金字塔边缘特征提取模块的输出特征图作为两个子任务分支的输入,以提取相关任务的特征,所述交互注意力层用于挖掘所述边缘提取子任务和所述分割子任务之间的交互信息。
5.根据权利要求4所述的方法,其中,所述边缘提取子任务分支和所述分割子任务分支各包含多个卷积层和一个上采样层,所述交互注意力层被设置在两个子任务分支的第一层卷积中。
6.根据权利要求5所述的方法,其中,所述交互注意力层执行以下步骤:
利用sigmoid函数得到一个注意力权重矩阵,用于表示当前边缘特征的重要位置;
对注意力权重取反,得到分割子任务的权重注意力掩码;
通过逐像素的相乘操作从分割特征中选择性地传递有用信息到当前的边缘特征中。
8.根据权利要求1所述的方法,其中,所述空间金字塔卷积模块包含多个多尺度的卷积操作和一个全局池化操作。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509266.0A CN112561937A (zh) | 2020-12-18 | 2020-12-18 | 基于病变边界信息响应的上下文感知医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509266.0A CN112561937A (zh) | 2020-12-18 | 2020-12-18 | 基于病变边界信息响应的上下文感知医学图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561937A true CN112561937A (zh) | 2021-03-26 |
Family
ID=75031909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011509266.0A Pending CN112561937A (zh) | 2020-12-18 | 2020-12-18 | 基于病变边界信息响应的上下文感知医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561937A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192089A (zh) * | 2021-04-12 | 2021-07-30 | 温州医科大学附属眼视光医院 | 一种用于图像分割的双向交叉连接的卷积神经网络 |
CN113506310A (zh) * | 2021-07-16 | 2021-10-15 | 首都医科大学附属北京天坛医院 | 医学图像的处理方法、装置、电子设备和存储介质 |
CN113920099A (zh) * | 2021-10-15 | 2022-01-11 | 深圳大学 | 一种息肉分割方法、装置、计算机设备及存储介质 |
CN116402780A (zh) * | 2023-03-31 | 2023-07-07 | 北京长木谷医疗科技有限公司 | 基于双自注意力和深度学习的胸椎图像分割方法及装置 |
CN116563217A (zh) * | 2023-03-31 | 2023-08-08 | 北京长木谷医疗科技股份有限公司 | 基于边缘金字塔与交叉特征融合的颈椎分割方法及装置 |
CN116823842A (zh) * | 2023-06-25 | 2023-09-29 | 山东省人工智能研究院 | 融合测地线模型的双解码器网络的血管分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
CN110414387A (zh) * | 2019-07-12 | 2019-11-05 | 武汉理工大学 | 一种基于道路分割的车道线多任务学习检测方法 |
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN110674685A (zh) * | 2019-08-19 | 2020-01-10 | 电子科技大学 | 一种基于边缘信息增强的人体解析分割模型及方法 |
-
2020
- 2020-12-18 CN CN202011509266.0A patent/CN112561937A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN110414387A (zh) * | 2019-07-12 | 2019-11-05 | 武汉理工大学 | 一种基于道路分割的车道线多任务学习检测方法 |
CN110674685A (zh) * | 2019-08-19 | 2020-01-10 | 电子科技大学 | 一种基于边缘信息增强的人体解析分割模型及方法 |
Non-Patent Citations (2)
Title |
---|
RUIYU LI 等: "Referring Image Segmentation via Recurrent Refinement Network", COMPUTER VISION FOUNDATION, 31 December 2018 (2018-12-31) * |
张松龙;谢林柏;: "基于级联全卷积神经网络的显著性检测", 激光与光电子学进展, no. 07, 29 October 2018 (2018-10-29) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192089A (zh) * | 2021-04-12 | 2021-07-30 | 温州医科大学附属眼视光医院 | 一种用于图像分割的双向交叉连接的卷积神经网络 |
CN113192089B (zh) * | 2021-04-12 | 2022-07-19 | 温州医科大学附属眼视光医院 | 一种用于图像分割的双向交叉连接的卷积神经网络 |
CN113506310A (zh) * | 2021-07-16 | 2021-10-15 | 首都医科大学附属北京天坛医院 | 医学图像的处理方法、装置、电子设备和存储介质 |
CN113920099A (zh) * | 2021-10-15 | 2022-01-11 | 深圳大学 | 一种息肉分割方法、装置、计算机设备及存储介质 |
CN113920099B (zh) * | 2021-10-15 | 2022-08-30 | 深圳大学 | 一种基于非局部信息提取的息肉分割方法及相关组件 |
CN116402780A (zh) * | 2023-03-31 | 2023-07-07 | 北京长木谷医疗科技有限公司 | 基于双自注意力和深度学习的胸椎图像分割方法及装置 |
CN116563217A (zh) * | 2023-03-31 | 2023-08-08 | 北京长木谷医疗科技股份有限公司 | 基于边缘金字塔与交叉特征融合的颈椎分割方法及装置 |
CN116402780B (zh) * | 2023-03-31 | 2024-04-02 | 北京长木谷医疗科技股份有限公司 | 基于双自注意力和深度学习的胸椎图像分割方法及装置 |
CN116823842A (zh) * | 2023-06-25 | 2023-09-29 | 山东省人工智能研究院 | 融合测地线模型的双解码器网络的血管分割方法 |
CN116823842B (zh) * | 2023-06-25 | 2024-02-02 | 山东省人工智能研究院 | 融合测地线模型的双解码器网络的血管分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561937A (zh) | 基于病变边界信息响应的上下文感知医学图像分割方法 | |
Khan et al. | Automatic shadow detection and removal from a single image | |
CN111369565B (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN111738231B (zh) | 目标对象检测方法、装置、计算机设备和存储介质 | |
Wang et al. | Frnet: an end-to-end feature refinement neural network for medical image segmentation | |
CN112651979B (zh) | 肺部x光图像分割方法、系统、计算机设备及存储介质 | |
CN112712528B (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
US20130315465A1 (en) | Whole Tissue Classifier for Histology Biopsy Slides | |
CN112257766A (zh) | 一种基于频域滤波处理的自然场景下阴影识别检测方法 | |
Feng et al. | URNet: A U-Net based residual network for image dehazing | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
KR102606734B1 (ko) | 생체 검출 방법 및 장치 | |
Xuan et al. | FCL-Net: Towards accurate edge detection via Fine-scale Corrective Learning | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN109410189B (zh) | 图像分割方法以及图像的相似度计算方法、装置 | |
CN114359293A (zh) | 一种基于深度学习的三维mri脑肿瘤分割方法 | |
CN113065551A (zh) | 利用深度神经网络模型执行图像分割的方法 | |
CN117078930A (zh) | 基于边界感知和注意力机制的医学图像分割方法 | |
CN115761358A (zh) | 一种基于残差胶囊网络对心肌纤维化进行分类的方法 | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Ding et al. | A multichannel deep neural network for retina vessel segmentation via a fusion mechanism | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN112529930A (zh) | 一种基于聚焦融合的上下文学习医学图像分割方法 | |
CN111507950B (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
CN117197470A (zh) | 一种基于结肠镜图像的息肉分割方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |