基于UNet卷积神经网络的膀胱超声图像分割方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111429452A(43)申请公布日2020.07.17(21)申请号202010294218.8(22)申请日2020.04.15(71)申请人深圳市嘉骏实业有限公司地址518000广东省深圳市坪山区坑梓街道秀新社区聚龙山A路深城投创意工厂生命科学园厂房B4101、B4201、B4301(72)发明人徐文龙张官喜(74)专利代理机构深圳市精英专利事务所44242代理人黄文锋(51)Int.Cl.G06T7/00(2017.01)G06T7/10(2017.01)权利要求书2页说明书8页附图3页(54)发明名称基于UNet卷积神经网络的膀胱超声图像分割方法及装置(57)摘要本发明提供了一种基于UNet卷积神经网络的膀胱超声图像分割方法及装置，所述方法包括，利用超声扫描设备获取人体的膀胱超声图像；构建膀胱超声图像的训练集和测试集，训练集和测试集中包括了经过标注和数据增强处理后的所有膀胱超声图像数据；构建UNet卷积神经网络模型，所述UNet卷积神经网络模型包括下采样层和上采样层；利用膀胱超声图像的训练集图像数据对构建的UNet网络模型进行训练，生成网络模型，并利用膀胱超声图像的测试集图像数据对模型效果进行测试；利用训练好的UNet网络模型对超声设备获取的实际膀胱超声图像进行分割。本发明能够消除噪声对膀胱超声图像进行分割的干扰，提高提高膀胱容积计算的准确性。CN111429452ACN111429452A权利要求书1/2页1.一种基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：包括，S10、利用超声扫描设备获取人体的膀胱超声图像；S20、构建膀胱超声图像的训练集和测试集，训练集和测试集中包括了经过标注和数据增强处理后的所有膀胱超声图像数据；S30、构建UNet卷积神经网络模型，所述UNet卷积神经网络模型包括下采样层和上采样层；S40、利用膀胱超声图像的训练集图像数据对构建的UNet网络模型进行训练，生成网络模型，并利用膀胱超声图像的测试集图像数据对模型效果进行测试；S50、利用训练好的UNet网络模型对超声设备获取的实际膀胱超声图像进行分割。2.如权利要求1所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：步骤S10具体包括，利用超声图像扫描设备对人体膀胱所在部位进行超声图像数据的扫描，并保存超声图像；从保存的超声图像中选取包含膀胱部位的超声图像，并删除其它不包含膀胱部位的超声图像。3.如权利要求1所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：所述步骤S20中，膀胱超声图像的训练集和测试集的构建过程为，利用获取到的膀胱超声图像，对超声图像中的膀胱区域进行分割，得到分割标准图像；将原始的膀胱超声图像和分割得到的分割标准图像同时进行放大、平移、旋转和对比度增强操作，得到一组经过变化后的膀胱超声图像和分割标准图像，从而扩充膀胱超声图像的数据集；将膀胱超声图像的数据集按照4:1的比例分为膀胱超声图像的训练集和测试集。4.如权利要求1所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：步骤S30中，UNet卷积神经网络模型包括了5个下采样层和5个上采样层，5个下采样层输出的特征图分别与5个上采样层输出的特征图进行拼接融合。5.如权利要求1所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：所述5个上采样层和5个下采样层中，每个下采样层中包括2个卷积操作层和1个池化层，每个下采样层的卷积操作层中的卷积核的大小为3*3，池化层中的卷积核大小为2*2，每个下采样操作层的卷积操作层中卷积核的个数分别为32、64、128、256、512；每个上采样层中包括1个上采样操作层和2个卷积操作层，每个上采样层的卷积操作层中的卷积核的大小为3*3，上采样操作层中的卷积核大小为2*2，每个上采样操作层中的卷积核的个数分别为512、256、128、64、32；第一个上采样操作层之前还设有两个卷积操作层，其卷积核个数均为1024。6.如权利要求5所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：在UNet卷积神经网络模型中的第5个下采样层的池化层之前和第一个上采样层的上采样操作层之前设有一个Dropout层，Dropout丢弃率设置为0.5。7.如权利要求6所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：所有的卷积操作层后面都设有激活层，激活层使用的激活函数为ReLU函数。8.如权利要求1所述的基于UNet卷积神经网络的膀胱超声图像分割方法，其特征在于：2CN111429452A权利要求书2/2页步骤S40中，利用膀胱超声图像的训练集图像数据对构建的UNet网络模型进行训练，训