一种基于傅里叶先验知识的医学图像分割方法和系统

本发明涉及医学影像，尤其涉及一种基于傅里叶先验知识的医学图像分割方法和系统。

背景技术：

1、随着深度学习的发展和计算机硬件性能的不断提升，基于深度卷积神经网络的图像语义分割算法取得了不错的效果。近些年来，深度学习网络模型已经在各种医学图像处理上得到广泛的应用与发展，其中图像分割是图像处理的重要环节，也是图像处理的难点，是制约三维重建等技术应用的瓶颈性问题。而医学图像往往存在模糊、噪声、对比度低的问题，这导致图像分割结果易受到伪影、不同软组织间灰度接近等因素的影响，从而导致图像分割结果的精度较差。

2、针对上述问题，现有的许多基于深度卷积神经网络的语义分割模型通常是通过使用更深的卷积层和更大的特征通道来实现分割结果精度的提高。但是，使用更深的卷积层和更大的特征通道，会增加模型的参数量，从而使得计算复杂，进而导致推理速度较慢的问题。

技术实现思路

1、本发明提供一种基于傅里叶先验知识的医学图像分割方法和系统，用以解决现有技术中通过使用更深的卷积层和更大的特征通道来提高分割结果精度导致的参数量大，进而使得计算复杂、推理速度慢的缺陷，实现通过在医学图像分割模型的下采样路径和上采样路径的浅层设置傅里叶幅度残差模块来提取图像的低级语义信息，在深层设置傅里叶相位残差模块来提取图像的高级语义信息，从而在不影响计算难度和推理速度的情况下，提高分割结果的精度。

2、本发明提供一种基于傅里叶先验知识的医学图像分割方法，包括：

3、获取医学图像样本集，并将所述医学图像样本集划分为训练集和验证集；

4、构建初始医学图像分割模型，所述初始医学图像分割模型包括相互连接的下采样路径和上采样路径，所述下采样路径包括初始卷积层、交替连接的下采样层和残差模块，所述上采样路径包括输出卷积层、交替连接的上采样层和残差模块；其中，初始卷积层为所述下采样路径的输入端，输出卷积层为所述上采样路径的输出端，所述初始医学图像分割模型预设层以内的残差模块为傅里叶幅度残差模块，大于预设层的残差模块为傅里叶相位残差模块；

5、基于所述训练集和所述验证集，采用训练和验证相结合的方式，对所述初始医学图像分割模型进行训练，获得训练好的医学图像分割模型；其中，所述下采样路径用于对所述训练集和所述验证集中的样本图像进行下采样获得下采样特征图像，所述上采样路径用于对所述下采样特征图像进行上采样获得分割图像；

6、将待分割的医学图像输入训练好的医学图像分割模型，获得目标分割图像。

7、根据本发明提供的一种基于傅里叶先验知识的医学图像分割方法，所述傅里叶幅度残差模块包括第一分支、第二分支、第三分支和第一拼接子模块；

8、所述第一分支包括两个串联的卷积组，所述卷积组包括顺序串联的深度可分离卷积层、bn层和激活函数层；

9、所述第二分支包括1×1标准卷积层；

10、所述第三分支包括顺序连接的1×1标准卷积层、傅里叶变换层、1×1标准卷积层、激活函数层、1×1标准卷积层和傅里叶逆变换层构成的第一子分支，以及所述第一子分支中所述傅里叶变换层和所述傅里叶逆变换层直接连接构成的第二子分支；其中，所述傅里叶变换层输出的相位值沿所述第二子分支输入所述傅里叶逆变换层，所述傅里叶变换层输出的幅度值沿所述第一子分支输入所述傅里叶逆变换层；

11、所述第一拼接子模块用于将所述第一分支输出的第一特征图、所述第二分支输出的第二特征图和所述第三分支输出的第三特征图进行相加，获得第一目标特征图。

12、根据本发明提供的一种基于傅里叶先验知识的医学图像分割方法，所述傅里叶相位残差模块包括第四分支、第五分支、第六分支和第二拼接子模块；

13、所述第四分支包括两个串联的卷积组，所述卷积组包括顺序串联的深度可分离卷积层、bn层和激活函数层；

14、所述第五分支包括1×1标准卷积层；

15、所述第六分支包括顺序连接的1×1标准卷积层、傅里叶变换层、1×1标准卷积层、激活函数层、1×1标准卷积层和傅里叶逆变换层构成的第三子分支，以及所述第三子分支中所述傅里叶变换层和所述傅里叶逆变换层直接连接构成的第四子分支；其中，所述傅里叶变换层输出的幅度值沿所述第四子分支输入所述傅里叶逆变换层，所述傅里叶变换层输出的相位值沿所述第三子分支输入所述傅里叶逆变换层；

16、所述第二拼接子模块用于将所述第四分支输出的第四特征图、所述第五分支输出的第五特征图和所述第六分支输出的第六特征图进行相加，获得第二目标特征图。

17、根据本发明提供的一种基于傅里叶先验知识的医学图像分割方法，所述下采样路径和所述上采样路径之间同层跳跃连接；

18、所述上采样路径中的任一残差模块的输入，基于前一上采样层的输出和所述下采样路径中同层对应的残差模块的输出获得。

19、根据本发明提供的一种基于傅里叶先验知识的医学图像分割方法，所述基于所述训练集和所述验证集，采用训练和验证相结合的方式，对所述初始医学图像分割模型进行训练，获得训练好的医学图像分割模型，包括：

20、以所述初始医学图像分割模型作为第一轮迭代训练的模型，并基于训练集中的样本图像进行迭代训练；

21、以第一轮迭代训练后获得的优化模型作为第二轮迭代训练的模型，并基于训练集中的样本图像进行迭代训练；

22、从第三轮迭代训练开始，迭代训练所采用的模型为紧邻的前两轮迭代训练获得的优化模型中，评价指标最高的优化模型；

23、持续进行迭代训练，基于迭代训练后获得的优化模型的损失函数，确定迭代训练停止轮数，并将最后一轮迭代训练获得的优化模型与最后一轮迭代训练所采用的模型中，评价指标最高的优化模型确定为所述训练好的医学图像分割模型。

24、根据本发明提供的一种基于傅里叶先验知识的医学图像分割方法，所述损失函数loss为：

25、

26、

27、

28、其中，y为训练集中标注的标签集合，为迭代训练所采用的模型进行迭代训练后输出的预测结果集合，表示二进制交叉熵损失函数，表示dice损失函数。

29、根据本发明提供的一种基于傅里叶先验知识的医学图像分割方法，优化模型的评价指标通过下述方法获得：

30、将验证集输入迭代训练获得的优化模型中，获得验证结果；

31、基于所述验证结果和所述验证集中标注的标签构建评价指标iou:

32、

33、其中，tp为验证集的验证样本的像素点中被优化模型预测为正类的像素正样本个数，fp为验证集的验证样本的像素点中被优化模型预测为正类的像素负样本个数；fn为验证集的验证样本的像素点中被优化模型预测为负类的像素正样本个数。

34、本发明还提供一种基于傅里叶先验知识的医学图像分割系统，包括：

35、获取模块，用于获取医学图像样本集，并将所述医学图像样本集划分为训练集和验证集；

36、构建模块，用于构建初始医学图像分割模型，所述初始医学图像分割模型包括相互连接的下采样路径和上采样路径，所述下采样路径包括初始卷积层、交替连接的下采样层和残差模块，所述上采样路径包括输出卷积层、交替连接的上采样层和残差模块；其中，初始卷积层为所述下采样路径的输入端，输出卷积层为所述上采样路径的输出端，所述初始医学图像分割模型预设层以内的残差模块为傅里叶幅度残差模块，大于预设层的残差模块为傅里叶相位残差模块；

37、训练模块，用于基于所述训练集和所述验证集，采用训练和验证相结合的方式，对所述初始医学图像分割模型进行训练，获得训练好的医学图像分割模型；其中，所述下采样路径用于对所述训练集和所述验证集中的样本图像进行下采样获得下采样特征图像，所述上采样路径用于对所述下采样特征图像进行上采样获得分割图像；

38、分割模块，用于将待分割的医学图像输入训练好的医学图像分割模型，获得目标分割图像。

39、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于傅里叶先验知识的医学图像分割方法。

40、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于傅里叶先验知识的医学图像分割方法。

41、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于傅里叶先验知识的医学图像分割方法。

42、本发明提供的基于傅里叶先验知识的医学图像分割方法、系统、电子设备和存储介质，通过在医学图像分割模型的下采样路径和上采样路径的浅层设置傅里叶幅度残差模块来提取图像的低级语义信息，在深层设置傅里叶相位残差模块来提取图像的高级语义信息，从而在不影响计算难度和推理速度的情况下，提高分割结果的精度。