CN112712527A - 一种基于DR-Unet104的医疗图像分割方法 - Google Patents

一种基于DR-Unet104的医疗图像分割方法 Download PDF

Info

Publication number
CN112712527A
CN112712527A CN202011630963.1A CN202011630963A CN112712527A CN 112712527 A CN112712527 A CN 112712527A CN 202011630963 A CN202011630963 A CN 202011630963A CN 112712527 A CN112712527 A CN 112712527A
Authority
CN
China
Prior art keywords
model
data
data set
unet104
image segmentation
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
Application number
CN202011630963.1A
Other languages
English (en)
Inventor
潘晓光
张海轩
张娜
刘剑超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Sanyouhe Smart Information Technology Co Ltd
Original Assignee
Shanxi Sanyouhe Smart Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi Sanyouhe Smart Information Technology Co Ltd filed Critical Shanxi Sanyouhe Smart Information Technology Co Ltd
Priority to CN202011630963.1A priority Critical patent/CN112712527A/zh
Publication of CN112712527A publication Critical patent/CN112712527A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明属于图像分割技术领域，具体涉及一种基于DR‑Unet104的医疗图像分割方法，包括下列步骤：数据采集：通过采集相关医疗图像，构建原始数据集；数据扩充：对原始数据集进行数据增强，实现数据集扩充；数据处理：包括数据集的划分、标准化及统一数据尺度大小；模型构建：通过使用DR‑Unet104模型，进行模型训练。本发明通过标准化和数据扩充等预处理方法，提高模型泛化能力，其模型通过将基础的Unet模型与残差连接模块的优势结合起来，提高模型分割性能，而dropout的使用更是提高了模型的整体性能，为医生的医疗诊断提供了极大的辅助作用。本发明用于医疗图像的分割。

Description

一种基于DR-Unet104的医疗图像分割方法
技术领域
本发明属于图像分割技术领域，具体涉及一种基于DR-Unet104的医疗图像分割方法。
背景技术
病变的分割是推进放射学领域所必需的一个重要研究领域，利用影像学推断生物标志物，以帮助预测和治疗患者的预后，但由于各种医疗图像中病变部位的大小、形状、位置变化较大，且强度和对比度不一致，导致医疗图像的分割需要熟练且专业的医疗人员进行手工分割，耗时巨大。
存在问题或缺陷的原因：目前基于深度学习的分割方法被广泛应用于医学图像分割任务中，但由于相关的医学图像具有边缘模糊，目标区域小等特点，导致一些基于深度学习的分割方法存在特征利用率低等问题，最终导致模型的分割准确率难以提高，病灶部位难以精确分割。
发明内容
针对上述基于深度学习的分割方法存在特征利用率低的技术问题，本发明提供了一种分割性能强、准确率高、效率高的基于双深度学习模型的隧道裂缝检测及测量方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于DR-Unet104的医疗图像分割方法，包括下列步骤：
S100、数据采集：通过采集相关医疗图像，构建原始数据集；
S200、数据扩充：对原始数据集进行数据增强，实现数据集扩充；
S300、数据处理：包括数据集的划分、标准化及统一数据尺度大小；
S400、模型构建：通过使用DR-Unet104模型，进行模型训练。
所述S100中的数据采集中将对图像病灶部位进行手动标注。
所述S200数据扩充对原始数据集中的所有图像分别进行90度旋转、270度旋转、水平翻转和垂直翻转，将训练集扩充至原来的5倍。
所述S300数据处理中，数据划分将数据集按照8：1：1的比例分别将其划分为训练集、验证集和测试集；数据标准化过程方程如下：
Figure BDA0002880045020000011
所述v为图像像素点，所述mean为均值，所述sd为标准差；统一尺度过程将数据集划分后得到的所有数据进行缩放，按照大小比例全部调整为224*224。
所述S400模型构建在DR-Unet104模型的编码器和解码器组件中各自部署五个具有卷积层和识别映射的重叠残差块层，在解码器路径中，残差块由两个3x3的二维卷积叠加而成，同时将激活函数用于所有剩余块，提高模型的特征提取能力，通过引入正则化方法dropout对模型的特征进行筛选；
残差块层：残差块使用1x1卷积来减少图像特征的数量，之后通过3x3卷积进行特征提取，最后通过使用1x1卷积来增加特征的数量，残差块通过一个跳跃连接实现多个网络层的剩余连接，以帮助反向传播，并允许更深的网络被建立，F(x)＝H(x)-x，其中H(x)为残差网络的输出，F(x)为经过卷积操作的输出；
激活函数：加快模型的训练过程，
Figure BDA0002880045020000021
正则化方法：通过dropout减少模型特征数量，提高模型对特征的利用率，进一步加强模型的分割性能，
Figure BDA0002880045020000022
所述W为权重参数，所述(l)表示层数，所述p为dropout的参数设置；
损失函数：使用的损失函数为稀疏分类交叉熵，
Figure BDA0002880045020000023
所述n为图像数量，所述c为不同类别，所述Ytrue为真实标签，所述Ypred为预测标签。
本发明与现有技术相比，具有的有益效果是：
本发明通过标准化和数据扩充等预处理方法，提高模型泛化能力，其模型通过将基础的Unet模型与残差连接模块的优势结合起来，提高模型分割性能，而dropout的使用更是提高了模型的整体性能，为医生的医疗诊断提供了极大的辅助作用。
附图说明
图1为本发明的主要步骤流程图。
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。
一种基于DR-Unet104的医疗图像分割方法，如图1所示，包括下列步骤：
S100、数据采集：通过采集相关医疗图像，构建原始数据集；
S200、数据扩充：对原始数据集进行数据增强，实现数据集扩充；
S300、数据处理：包括数据集的划分、标准化及统一数据尺度大小；
S400、模型构建：通过使用DR-Unet104模型，进行模型训练。
进一步，步骤S100数据采集中将对图像病灶部位进行手动标注。
进一步，步骤S200数据扩充对原始数据集中的所有图像分别进行90度旋转、270度旋转、水平翻转和垂直翻转，将训练集扩充至原来的5倍。
进一步，步骤S300数据处理中，数据划分将数据集按照8：1：1的比例分别将其划分为训练集、验证集和测试集；数据标准化过程方程如下：
Figure BDA0002880045020000031
其中v为图像像素点，mean为均值，sd为标准差；统一尺度过程将数据集划分后得到的所有数据进行缩放，按照大小比例全部调整为224*224。
进一步，步骤S400模型构建在DR-Unet104模型的编码器和解码器组件中各自部署五个具有卷积层和识别映射的重叠残差块层，在解码器路径中，残差块由两个3x3的二维卷积叠加而成，同时将激活函数用于所有剩余块，提高模型的特征提取能力，通过引入正则化方法dropout对模型的特征进行筛选，其中
残差块层：残差块使用1x1卷积来减少图像特征的数量，之后通过3x3卷积进行特征提取，最后通过使用1x1卷积来增加特征的数量，残差块通过一个跳跃连接实现多个网络层的剩余连接，以帮助反向传播，并允许更深的网络被建立，F(x)＝H(x)-x，其中H(x)为残差网络的输出，F(x)为经过卷积操作的输出；
激活函数：加快模型的训练过程，
Figure BDA0002880045020000032
正则化方法：通过dropout减少模型特征数量，提高模型对特征的利用率，进一步加强模型的分割性能，
Figure BDA0002880045020000033
其中W为权重参数，(l)表示层数，p为dropout的参数设置；
损失函数：使用的损失函数为稀疏分类交叉熵；
Figure BDA0002880045020000034
其中n为图像数量，c为不同类别，Ytrue为真实标签，Ypred为预测标签。
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 (5)

1.一种基于DR-Unet104的医疗图像分割方法，其特征在于：包括下列步骤：
S100、数据采集：通过采集相关医疗图像，构建原始数据集；
S200、数据扩充：对原始数据集进行数据增强，实现数据集扩充；
S300、数据处理：包括数据集的划分、标准化及统一数据尺度大小；
S400、模型构建：通过使用DR-Unet104模型，进行模型训练。
2.根据权利要求1所述的一种基于DR-Unet104的医疗图像分割方法，其特征在于：所述S100中的数据采集中将对图像病灶部位进行手动标注。
3.根据权利要求1所述的一种基于DR-Unet104的医疗图像分割方法，其特征在于：所述S200数据扩充对原始数据集中的所有图像分别进行90度旋转、270度旋转、水平翻转和垂直翻转，将训练集扩充至原来的5倍。
4.根据权利要求1所述的一种基于DR-Unet104的医疗图像分割方法，其特征在于：所述S300数据处理中，数据划分将数据集按照8：1：1的比例分别将其划分为训练集、验证集和测试集；数据标准化过程方程如下：
Figure FDA0002880045010000011
所述v为图像像素点，所述mean为均值，所述sd为标准差；统一尺度过程将数据集划分后得到的所有数据进行缩放，按照大小比例全部调整为224*224。
5.根据权利要求1所述的一种基于DR-Unet104的医疗图像分割方法，其特征在于：所述S400模型构建在DR-Unet104模型的编码器和解码器组件中各自部署五个具有卷积层和识别映射的重叠残差块层，在解码器路径中，残差块由两个3x3的二维卷积叠加而成，同时将激活函数用于所有剩余块，提高模型的特征提取能力，通过引入正则化方法dropout对模型的特征进行筛选；
残差块层：残差块使用1x1卷积来减少图像特征的数量，之后通过3x3卷积进行特征提取，最后通过使用1x1卷积来增加特征的数量，残差块通过一个跳跃连接实现多个网络层的剩余连接，以帮助反向传播，并允许更深的网络被建立，F(x)＝H(x)-x，其中H(x)为残差网络的输出，F(x)为经过卷积操作的输出；
激活函数：加快模型的训练过程，
Figure FDA0002880045010000012
正则化方法：通过dropout减少模型特征数量，提高模型对特征的利用率，进一步加强模型的分割性能，
Figure FDA0002880045010000013
所述W为权重参数，所述(l)表示层数，所述p为dropout的参数设置；
损失函数：使用的损失函数为稀疏分类交叉熵，
Figure FDA0002880045010000021
所述n为图像数量，所述c为不同类别，所述Ytrue为真实标签，所述Ypred为预测标签。
CN202011630963.1A 2020-12-31 2020-12-31 一种基于DR-Unet104的医疗图像分割方法 Pending CN112712527A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011630963.1A CN112712527A (zh) 2020-12-31 2020-12-31 一种基于DR-Unet104的医疗图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011630963.1A CN112712527A (zh) 2020-12-31 2020-12-31 一种基于DR-Unet104的医疗图像分割方法

Publications (1)

Publication Number Publication Date
CN112712527A true CN112712527A (zh) 2021-04-27

Family

ID=75547747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011630963.1A Pending CN112712527A (zh) 2020-12-31 2020-12-31 一种基于DR-Unet104的医疗图像分割方法

Country Status (1)

Country Link
CN (1) CN112712527A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399440A (zh) * 2022-01-13 2022-04-26 马上消费金融股份有限公司 图像处理方法、图像处理网络训练方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180218502A1 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN111833352A (zh) * 2020-06-28 2020-10-27 杭州电子科技大学 一种基于八度卷积改进U-net网络的图像分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180218502A1 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN111833352A (zh) * 2020-06-28 2020-10-27 杭州电子科技大学 一种基于八度卷积改进U-net网络的图像分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399440A (zh) * 2022-01-13 2022-04-26 马上消费金融股份有限公司 图像处理方法、图像处理网络训练方法、装置及电子设备
CN114399440B (zh) * 2022-01-13 2022-12-13 马上消费金融股份有限公司 图像处理方法、图像处理网络训练方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN110363802B (zh) 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN112184888A (zh) 三维血管建模的方法及装置
CN110689525A (zh) 基于神经网络识别淋巴结的方法及装置
CN114550021B (zh) 基于特征融合的表面缺陷检测方法及设备
Li et al. A deep learning-based fine crack segmentation network on full-scale steel bridge images with complicated backgrounds
JP7170605B2 (ja) 欠陥検査装置、欠陥検査方法、およびプログラム
CN116091490A (zh) 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法
CN114596503A (zh) 一种基于遥感卫星影像的道路提取方法
CN112712527A (zh) 一种基于DR-Unet104的医疗图像分割方法
CN113971669A (zh) 应用于管道损伤识别的三维检测系统
CN112800851B (zh) 基于全卷积神经元网络的水体轮廓自动提取方法及系统
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
CN113724267A (zh) 一种乳腺超声图像肿瘤分割方法及装置
CN117197456A (zh) 一种面向he染色的病理图像细胞核同时分割分类方法
CN113283429B (zh) 基于深度卷积神经网络的液位式表计读数方法
CN115239655A (zh) 一种甲状腺超声影像肿瘤分割分类方法及装置
Kee et al. Cracks identification using mask region-based denoised deformable convolutional network
CN113591740A (zh) 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
CN114565626A (zh) 基于PSPNet改进的肺部CT图像分割算法
CN110751189B (zh) 一种基于感知对比度和特征选择的椭圆检测方法
Wang et al. SCU-net: semantic segmentation network for learning channel information on remote sensing images
Sarı et al. Deep learning application in detecting glass defects with color space conversion and adaptive histogram equalization
CN117523205B (zh) 少样本ki67多类别细胞核的分割识别方法

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