一种轻量化的女性盆底多器官图像分割方法

本发明属于图像处理及计算机视觉，具体涉及一种轻量化的女性盆底多器官图像分割方法。

背景技术：

1、女性盆底功能障碍(pfd)的患病率高达20％，主要表现为盆腔器官脱垂(pop)和压力性尿失禁(sui)等临床症状，严重影响女性的心理健康及生活质量。在盆底图像上进行快速准确的分割对于辅助医生提升诊断效率和治疗成功率具有重要的价值。然而，由于盆底图像灰度分布不均、图像特征边缘模糊、伪影及细节显示不清晰等特点，导致盆底图像分割比较困难；目前，人工器官分割仍然是应用最广泛的技术。然而，手动分割不仅耗时，而且容易受到大量不一致的影响，具体取决于评估者的经验和技能以及mr扫描的质量。因此，精准快速的盆底图像自动分割方法是医学图像分析领域的重要研究目标之一。

2、近年来，深度学习研究方法在医学图像分割领域取得了重大进展，并受到了广泛关注，一系列的卷积神经网络被应用于医学图像分割，这些强大性能的分割网络一般都是基于经典的u-net模型进行改进。这些网络主要由编码器和解码器两部分组成。编码器用于进行特征提取，编码器(骨干网络)从vgg到transformer，医学图像分割网络通常选择当前最流行的特征提取器来提升网络分割精度，然而，这通常会导致网络复杂度的增加。解码器用于逐层恢复图像分辨率，目前主流的解码器模块通常使用基本的卷积和双线性插值上采样操作，同时，跳跃连接将编码器中的特征与解码器的对应层相结合，以便恢复图像的分辨率。最后经过1x1卷积构成的输出层分类器进行逐像素分类，从而实现图像分割。后续改进的医学图像分割网络通常在u-net的基础上进行优化，通常包括对编码器、解码器、跳跃连接结构的升级和改进。具体来说，对于编码器的改进，一般使用特征提取能力更强的骨干网络来进行特征提取，利用resnet、densenet、transformer等骨干网络来提升特征提取能力的算法层出不穷，然而，大多数分割网络为了追求更高的分割精度，忽略了网络参数量和计算成本。

3、盆底图像存在灰度分布不均、图像特征边缘模糊、伪影及细节显示不清晰，而传统编解码网络在提升分割精度的同时，忽略了网络参数量和计算成本，并且传统卷积操作无法捕获大感受野，因此难以实现盆底图像多器官的自动化快速精准分割的问题。

4、因此，研究能够兼顾分割精度的轻量医学图像分割网络具有重要的研究意义和应用价值。

技术实现思路

1、为克服上述现有技术的不足，本发明的目的在于提出了一种轻量化的女性盆底多器官图像分割方法，能够快速精准的分割出膀胱、子宫和直肠，实现更高效盆底多器官分割。

2、为实现上述目的，本发明采用的具体技术方案如下：

3、一种轻量化的女性盆底多器官图像分割方法，包括如下步骤：

4、(1)搭建轻量化的盆底图像分割网络：

5、轻量化的盆底图像分割网络采用u型的编解码结构，包括轻量化编码器和解码器模块、输出层；轻量化编码器模块采用ghost res2net module用于提取盆底图像的深层语义特征获取高级特征图；所述轻量化解码器同样是采用ghost res2net module，用于进行语义特征融合，逐层进行图像分辨率的恢复，然后经过输出层输出盆底器官分割结果图；

6、(2)预处理：将盆底图像进行归一化处理；

7、(3)将预处理后的盆底图像输入轻量化分割网络，经过轻量化编码器模块提取盆底图像的深层语义特征获取高级特征图，并将高级特征图输入轻量化解码器模块，逐层恢复分辨率，最终输出分辨率与输入相同的盆底器官分割结果图。

8、进一步，所述轻量化编码器模块是ghost res2net module，每个模块后接最大池化操作将特征图分辨率降低一半；轻量化解码器模块同样是ghost res2net module，每个模块后接双线性插值上采样操作将特征图的分辨率提高2倍。

9、进一步，所述步骤1)中采用盆底图像作为输入设定网络运行参数，对构建的轻量化的盆底图像分割网络进行训练直至网络收敛。

10、进一步，设定网络训练参数为，设定最大迭代次数为100，设定训练批量为4，设定初始学习率为0.0001，使用学习率自动衰减策略，其中步长为1，动量因子为0.9，并使用adam算法来优化网络。

11、进一步，所述轻量化编码器模块中设计的ghost res2net module，该结构将原图进行特征提取，然后与解码器中上采样得到的特征图进行叠加，同时将中级特征补充到最终分割图中。

12、进一步，所述轻量化解码器模块中设计的ghost res2net module及采用完全跳跃连接进行特征解码，经过跳跃连接完全融合来自编码器的输入盆底图像特征，解码器可以利用更多的低级别特征来进行分割。有效地解决分割过程中信息丢失和分割不准确，最终恢复出盆底器官的分割结果图。

13、进一步，所述步骤2)中采用的归一化处理包括将盆底图像的灰度像素归一化至[0，255]范围内，并导出为分辨率大小为512×512的图像。

14、与现有技术相比，本发明的有益效果是：

15、本发明提出将u型框架应用到针对盆底多器官分割的轻量化分割网络中，对称的结构契合医学图像特征，从而实现盆底器官的高效分割。其次，本发明设计了轻量化编码器，轻量的ghost res2net module模块进行特征提取，该模块将微调的轻量级卷积模块ghost模块和组卷积进行组合，并引入通道混合，用轻量化的编码结构充分提取了图像特征，同时解码器也利用ghost res2net module模块充分的进行特征融合，更好地进行盆底图像分割。除此之外，本发明在ghost res2net module模块中，splits采用了多尺度的方式，这有利于全局和局部信息的提取。同时，将所有的分割串接起来，并通过3*3的组卷积将它们传递出去，以更好地融合不同尺度的信息。本发明能够精准的分割出盆底各器官的轮廓位置，实现高效的盆底器官分割，具有广阔的应用前景。

16、本发明提出的轻量化盆底多器官图像分割网络grunet采用了全新的轻量化编码器，编码器利用ghost模块提取局部细节信息，ghost res2net module中引入通道混合增强特征表达能力，两者结合更好地提升分割精度。

17、本发明提出的轻量化盆底多器官图像分割网络grunet采用了全新的轻量化解码器，解码器利用ghost res2net module模块进行特征融合，引入通道混合增强特征表达能力，更好地提升分割精度。

18、本发明解决了盆底图像灰度分布不均、图像特征边缘模糊、伪影及细节显示不清晰等问题，且传统编解码网络通常忽略了网络参数量和计算成本，因此难以实现盆底器官的自动化快速精准分割的问题，本发明提出的网络能有效解决盆底器官分割难题，具有广阔的应用前景。

技术特征：

1.一种轻量化的女性盆底多器官图像分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种轻量化的女性盆底多器官图像分割方法，其特征在于，轻量化的编码器模块和解码器模块均采用ghost res2net module，经过编码器模块的最大池化层操作将特征图分辨率降低一半；经过解码器模块的双线性插值进行上采样操作将特征图的分辨率提高2倍。

3.根据权利要求1所述的一种轻量化的女性盆底多器官图像分割方法，其特征在于，所述步骤(1)中采用盆底图像作为输入设定网络运行参数，对搭建的轻量化盆底图像分割网络进行训练直至网络收敛。

4.根据权利要求3所述的一种轻量化的女性盆底多器官图像分割方法，其特征在于，设定网络训练参数为：设定最大迭代次数为100，设定训练批量为4，设定初始学习率为0.0001，使用学习率自动衰减策略，其中步长为1，动量因子为0.9，并使用adam算法来优化网络。

5.根据权利要求1所述的一种轻量化的女性盆底多器官图像分割方法，其特征在于，轻量化编码器模块中设计的ghost res2net module，该结构将原图进行特征提取，然后与解码器中上采样得到的特征图进行叠加，同时将中级特征补充到最终分割图中。

6.根据权利要求5所述的一种轻量化的女性盆底多器官图像分割方法，其特征在于，轻量化解码器模块中设计的ghost res2net module及采用完全跳跃连接进行特征解码，经过跳跃连接完全融合来自编码器的输入盆底图像特征，解码器可以利用更多的低级别特征来进行分割；有效地解决分割过程中信息丢失和分割不准确，最终恢复出盆底器官的分割结果图。

7.根据权利要求1所述的一种轻量化的女性盆底多器官图像分割方法，其特征在于，所述步骤(2)中采用的归一化处理包括将盆底图像的灰度像素归一化至[0，255]范围内，并导出为分辨率大小为512×512的图像。

技术总结
本发明涉及一种轻量化的女性盆底多器官图像分割方法，搭建轻量化的U形盆底图像分割网络，分割网络包括轻量化的编码器、解码器模块、跳跃连接以及输出层。将预处理好的盆底MRI图像切片传入到轻量化图像分割网络，通过编码器模块卷积层和最大池化层进行语义特征提取，获取语义特征图；解码器模块利用卷积层和双线性插值进行语义特征融合，逐层进行图像分辨率的恢复；跳跃连接将编码器中的特征与解码器的对应层相结合，以便恢复图像的分辨率；经解码器后经过输出层输出与输入图像具有相同尺寸的分割图像。本发明在进行网络结构参数量和计算量轻量化的同时，确保了网络对盆底图像的分割准确率，实现在CPU上的实时图像分割，解决在算力不足的情况下医学图像分割网络难以实现高精度下的实时分割问题。

技术研发人员：张成,刘孝保
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/3/11