一种基于多监督全卷积神经网络的图像分割方法.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CN107169974A(43)申请公布日2017.09.15(21)申请号201710382556.5(22)申请日2017.05.26(71)申请人中国科学技术大学地址230026安徽省合肥市包河区金寨路96号(72)发明人黄林邱本胜高欣(74)专利代理机构北京科迪生专利代理有限责任公司11251代理人杨学明顾炜(51)Int.Cl.G06T7/12(2017.01)G06N3/08(2006.01)G06K9/62(2006.01)权利要求书1页说明书5页附图1页(54)发明名称一种基于多监督全卷积神经网络的图像分割方法(57)摘要本发明涉及一种多监督全卷积神经网络的图像分割方法，该方法在全卷积神经网络(FCN)的基础上做了进一步的优化，提出了一种新的网络结构，该网络结构拥有三个有监督的边输出层，有监督的边输出层可以指导网络学习多尺度特征，让网络同时获得图像的局部特征和全局特征。与此同时，为了更多的保留图像中的上下文信息，在网络的上采样部分，采用多个特征通道对输出的特征图进行上采样。最后，用一个带有权重的融合层将多个边输出层的分类结果融合，得到最终的图像分割结果。本发明实现的方法具有分割准确率高，分割速率快的特点；在骨肉瘤CT数据分割中，本方法获得的分割结果的DSC系数达到86.88％左右，优于传统的FCN算法。CN107169974ACN107169974A权利要求书1/1页1.一种基于多监督全卷积神经网络的图像分割方法，其特征在于，步骤如下：第一步，采用各向异性扩散滤波算法对输入图像进行去噪处理，接着对去除噪声后的图像进行标准化处理，得到标准化处理后的图像；第二步，将第一步标准化后的图像输入到多监督全卷积神经网络中进行训练；第三步，将经过步骤一中预处理操作后的测试图像输入到步骤二中已经训练好的多监督全卷积神经网络模型之中，将多监督全卷积神经网络模型中得到的融合层的分割结果作为最终的分割结果。2.根据权利要求1所述基于多监督全卷积神经网络的图像分割方法，其特征在于：所述步骤二中，所述多监督全卷积神经网络的结构设计如下，在conv5_3之前保持vgg-16模型的原始网络结构，分别在conv3_3,conv4_3以及conv5_3后添加一个上采样层，将conv3_3,conv4_3以及conv5_3输出的特征图上采样到与输入图像同样大小，在上采样过程中保留所有的特征通道，使得网络学习到更多的全局特征以及多层的语义信息，接着分别在三个上采样层后添加一个边输出分类器来获取边输出层的分割结果，并通过权重损失函数计算分割结果与标签之间的损失值，最后将三个上采样层得到的特征图进行拼接，再经过一个融合层将三个边输出层的分类结果进行融合，得到最终的图像分割结果，并计算融合层输出结果同标签之间的损失值。3.根据权利要求2所述基于多监督全卷积神经网络的图像分割方法，其特征在于：所述权重损失函数在计算分割结果与标签之间的损失值时，权重损失函数在传统的softmaxloss函数的基础上作了改进，在softmaxloss函数的计算公式中加入一个类间平衡参数，该类间平衡参数能够减轻目标像素数目与背景像素数目不平衡对分割结果所带来的影响。2CN107169974A说明书1/5页一种基于多监督全卷积神经网络的图像分割方法技术领域[0001]本发明涉及一种基于多监督全卷积神经网络的图像分割方法，属于医学图像处理领域。背景技术[0002]计算机断层成像(ComputedTomography，CT)是骨肉瘤诊断与治疗中常用的医学影像成像方式，从骨肉瘤CT图像中精确地分割出肿瘤病灶区域，对术前新辅助放化疗计划的制定，以及术后的放化疗的疗效效果评估都起着至关重要的作用。临床上急需实现肿瘤区域的自动分割。[0003]随着计算机辅助诊断技术的发展，研究者针对骨肉瘤图像的自动分割做了不少突出的工作。总的来说，这些骨肉瘤图像分割方法主要分为基于聚类的方法、人工神经网络法以及有监督的机器学习方法。[0004](1)基于聚类的方法[0005]这类方法主要是交互式的选择目标区域以及背景区域的种子点，然后计算其他像素点与种子点之间的相似性特征，再量化每一类的特征，从而把图像分割成背景区域和目标区域[1，R.Mandava,O.Moh'dAlia,B.C.Wei,D.Ramachandram,M.E.Aziz,I.L.Shuaib,OsteosarcomasegmentationinMRIusingdynamicharmonysearchbasedclustering,SoftComputingandPatternRecognition(SoCPaR),2010InternationalConference