一种血管瘤超声影像中病灶区域的智能分割方法与流程

1.本发明涉及医学影像分割识别技术领域，具体涉及一种血管瘤超声影像中病灶区域的智能分割方法。


背景技术：

2.流行病学统计数据显示，婴幼儿血管瘤的发病率为10％～12％，主要见于早产儿和女性婴幼儿。超声检查无创，可以为临床提供血管瘤的位置、形状以及累及范围等信息，有助于指导医生进一步治疗，因此，精确地分割血管瘤的病灶区域具有非常重要的意义。但由于血管瘤的尺寸、质地和结构的多样性，且超声图像上血管瘤与周围组织边界差异非常小，缺乏分割区域所需的强烈对比度，难度非常之大。这些原因导致了目前还未有专门针对血管瘤超声图像病灶区域的分割方法，还是依赖医生从大量的影像图片中进行肉眼分辨，工作量极大。


技术实现要素：

3.本发明意在提供血管瘤超声影像中病灶区域的智能分割方法，以一种全新的基于深度学习的编解码网络来准确提取出血管瘤超声影像中病灶区域的特征，实现血管瘤病灶区域与周围其它组织的准确分割。
4.为达到上述目的，本发明采用如下技术方案：一种血管瘤超声影像中病灶区域的智能分割方法，采用了基于深度学习的编解码结构网络，使用了resnet-34作为编码器，首先在imagenet上对resnet-34进行预训练，逐步的分stage提取血管瘤病灶区域的特征，得到不同stage的特征；浅层stage包含更多的图像细节信息；深层stage随着下采样和卷积次数的增加，包含更多的语义信息；
5.在编码器和解码器的相同stage间，提供一种注意力机制进行连接，通过注意力机制将编码器和解码器的相同stage间的特征信息连接起来，加强网络对病灶区域像素点的关注程度，融合不同stage的特征，增强特性信息的流动性，实现血管瘤超声图像中病灶区的精确分割。
6.优选的，作为一种改进，在编码器与解码器间涉及一种注意力机制进行连接，在解码器阶段使用一个3x3和一个1x1卷积串联解码，同级编码器与解码器之间的信息使用加法进行融合。
7.优选的，作为一种改进，首先对输入特征使用1x1卷积进行压缩通道，减小计算量，然后分别使用1x1卷积和7x7卷积生成特征图和注意力值；生成注意力值时，使用7x7卷积获得更大的感受野。
8.优选的，作为一种改进，注意力值使用sigmod函数激活，将注意力值和特征图对应像素点相乘，重新调整编码器的输出特征，增强所需的特征信息，最后使用1x1卷积将通道还原，使其与输入相加，融合所需特征。
9.优选的，作为一种改进，使用了分类交叉熵和dice组成的联合损失函数，公式如
下，其中t表示真实类别标签，p表示预测的类别；
[0010][0011]
优选的，作为一种改进，数据集为血管瘤超声图像，训练集图像尺寸范围在188～508之间，测试集图像尺寸在258～672之间。
[0012]
本方案的原理及优点是：本发明提出了一种全新的基于深度学习的编解码网络来准确提取出血管瘤超声影像中病灶区域的特征，实现血管瘤病灶区域与周围其它组织的准确分割。针对血管瘤超声图像中血管瘤与周围边界差异非常小这一难题，本发明采用了基于深度学习的编解码结构网络，使用了resnet-34作为编码器，逐步的分阶段(stage)的提取血管瘤病灶区域的特征，得到不同stage的特征。在编码器和解码器的相同stage间，提出了一种全新的注意力机制进行连接，极大地加强了网络对病灶区域像素点的关注程度，能够获取更多病灶区域的细节信息，抑制其他无用信息，提高网络的区别表达能力，从而实现血管瘤超声图像中病灶区的分割更精确。
附图说明
[0013]
图1为本发明实施例的神经网络图。
[0014]
图2为本发明实施例的注意力机制图。
[0015]
图3为本发明实施例的分割结果图。
具体实施方式
[0016]
下面通过具体实施方式进一步详细说明：
[0017]
具体实施过程如下：
[0018]
本发明血管瘤超声影像中病灶区域的智能分割方法，针对血管瘤超声图像中血管瘤与周围边界差异非常小这一难题，采用了基于深度学习的编解码结构网络，使用了resnet-34作为编码器，逐步的分阶段(stage)的提取血管瘤病灶区域的特征，得到不同stage的特征。在编码器和解码器的相同stage间，提出了一种全新的注意力机制进行连接，极大地加强了网络对病灶区域像素点的关注程度，能够获取更多病灶区域的细节信息，抑制其他无用信息，提高网络的区别表达能力，从而实现血管瘤超声图像中病灶区的分割更精确。
[0019]
本发明是基于深度学习的一种有效的血管瘤超声图像分割方法，我们首先在imagenet上对残差网路(resnet-34)进行预训练，对图像提取不同stage的特征，浅层stage包含更多的图像细节信息，而深层stage，随着下采样和卷积次数的增加，包含更多的语义信息，为了更精确的分割，通过注意力机制将编码器和解码器的相同stage间的特征信息连接起来，并逐步融合不同stage的特征，增强了特性信息的流动性。超声图像对比度低且斑点噪声严重，病变区域复杂，边界模糊，在分割过程中，增强目标相关特征，抑制无用特征就显得极为重要，因此，本发明专利在编码器与解码器间又提出了一种注意力机制连接方法。在解码器阶段使用一个3x3和一个1x1卷积串联解码，同级编码器与解码器之间的信息使用加法进行融合，相比拼接融合可以减少参数和计算量。图一为本发明提出的神经网络图。
[0020]
注意力机制在资源有限情况下可以将计算资源分配给更重要的特征，注意力值可以根据输入特征的不同而不同，是一种有效解决信息超载的方法。如图二所示为本发明提出的全新的注意力机制，首先对输入特征使用1x1卷积进行压缩通道，减小计算量，然后分别使用1x1卷积和7x7卷积生成特征图和注意力值，在生成注意力值时，使用7x7卷积为了获得更大的感受野，可以关注更大的范围，更利于生成注意力机制的权重。注意力值使用sigmod函数激活，将注意力值和特征图对应像素点相乘，重新调整了编码器的输出特征，增强所需的特征信息，最后使用1x1卷积将通道还原，使其能够与输入相加，进一步融合所需特征。该模块用以减轻不相关和嘈杂的歧义在跳过连接中的响应,以突出通过跳连接传递的显着特征。
[0021]
为了进一步提升本发明的分割效果，我们使用了分类交叉熵和dice组成的联合损失函数，公式如下，其中t表示真实类别标签，p表示预测的类别。
[0022][0023]
数据集为血管瘤超声图像，训练集包含不同病例的344张，图像尺寸范围在188～508之间，测试集共86张，图像尺寸在258～672之间。在实验阶段,学习率为0.0001，且用poly方法进行学习率衰减，使用adam优化器，batchsize和epoch分别设置为24、80，两项损失函数的比例均为1，图像的大小统一缩放到256x448。
[0024]
如下表所示为实验结果：
[0025][0026]
本发明使用dice和iou进行评估，dice主要计算真实标签和预测类别的相似度，iou为真实区域和预测区域的交并比。在血管瘤数据集上进行测试iou达到了80.2％，而dice达到了81.1％。
[0027]
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。