一种基于距离引导的深度学习策略的图像分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115082502A(43)申请公布日2022.09.20(21)申请号202210757712.2(22)申请日2022.06.30(71)申请人温州医科大学地址325000浙江省温州市瓯海区茶山高教园区温州医科大学(72)发明人王雷郑钦象陈浩常倩梅晨阳(74)专利代理机构温州金瓯专利事务所(普通合伙)33237专利代理师王宏雷(51)Int.Cl.G06T7/11(2017.01)G06T5/00(2006.01)G06T5/50(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于距离引导的深度学习策略的图像分割方法(57)摘要一种基于距离引导的深度学习策略的图像分割方法,训练策略包含四个不同的步骤，分别为设计兴趣目标的边界区域标注、获取目标对应的两种粗分割、设计距离合成图像、以及基于距离合成图像的精细分割,本发明借助距离合成图像连同待分割原始图像以及对应的两种不同标注重新训练分割网络，将能够显著降低目标边界的处理误差，实现兴趣目标及其边界的同时准确提取,可显著改善现有分割网络对目标边界区域的处理精度，实现兴趣目标及其边界的准确提取,可实现U‑Net网络对图像中不同兴趣目标的同时准确提取，为临床影像中的病灶的探测定位及其形态特征的量化评估提供重要的理论支撑。CN115082502ACN115082502A权利要求书1/1页1.一种基于距离引导的深度学习策略的图像分割方法，其特征在于，包括以下步骤:（1）设计兴趣目标的边界区域标注:借助形态学操作处理兴趣目标的手工标注图像，以得到一幅刻画目标边界区域的标注图像；将兴趣目标的手工标注称为目标区域标注（objectregionlabel），将新获取的标注图像称为边界区域标注（boundaryregionlabel）；（2）获取兴趣目标对应的两种粗分割:将两种不同的标注图像和待分割的原始图像用于现有分割网络的训练中，可得到两种不同的分割结果，即一个目标区域预测和一个边界区域预测；（3）设计距离合成图像:借助距离变换函数（distancetransformation）将两种分割结果转化为不同的距离特征图（distancefeaturemap），对这些距离特征图像进行灰度归一化后执行基于像素的加法运算，可得到同时刻画兴趣目标及其边界的距离合成图像（distancesyntheticimage）；（4）基于距离合成图像的精细分割:将距离合成图像、待分割原始图像、以及两种不同的标注图像结合起来，重新训练指定的分割网络，可实现兼顾兴趣目标及其边界的高质量提取的分割。2.根据权利要求1所述的图像分割方法，其特征在于，所述的步骤（1）设计兴趣目标的边界区域标注的具体步骤如下:（a）借助形态学操作对手工标注图像进行膨胀和腐蚀操作，得到目标区域的扩大和缩小版本；（b）用目标区域的扩大版本减去目标区域的缩小版本，可得到目标边界对应的区域，即边界区域标注，目标边界位置位于边界区域的中心。3.根据权利要求1所述的图像分割方法，其特征在于，所述的步骤（2）获取兴趣目标对应的两种粗分割的具体步骤如下:对待分割原始图像、手工标注、以及上文获取的边界区域标注进行必要的预处理，并将处理结果分为三个彼此独立的数据集，分别用分割网络的训练、验证和测试,借助三个数据集训练现有的分割网络，即可得到两个不同的分割结果，一个给出目标区域对应的预测，一个给出边界区域对应的预测。4.根据权利要求1所述的图像分割方法，其特征在于，所述的步骤（3）设计距离合成图像的具体步骤如下:借助距离变换函数，将两种分割结果转化为不同的距离特征图；其中一个距离特征图粗略地刻画了目标区域的中心位置信息，另一个距离特征图描述了目标边界的具体位置信息,将它们的灰度归一化到0至255之间，然后将归一化结果加起来后重新归一化处理，得到距离合成图像。2CN115082502A说明书1/5页一种基于距离引导的深度学习策略的图像分割方法技术领域[0001]本发明涉及深度学习技术领域，具体涉及一种基于距离引导的深度学习策略的图像分割方法。背景技术[0002]深度学习技术是一种借助大量训练数据及其对应标注执行数据拟合的算法，通过设计合适的网络架构或训练策略，实现从训练数据到对应标注的信息转换，并且转换过程具有极高的性能而被广泛用于图像分割和目标探测等任务。借助这种技术，可大幅改善医学图像的分析和理解，疾病相关结构的定位及其形态特征的量化，因此具有重要的临床诊断价值和学术研究意义。为实现准确的图像分割，人们提出了大量的深度学习网络，代表性的分割网络包括U‑Net及其各种改进版本（如U‑Net++、BiO‑Net、CE‑Net等）。这些分割网络在执行图像