本發(fā)明提供了一種基于多層級(jí)神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割系統(tǒng)及方法，屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，本發(fā)明將待分割的原始醫(yī)學(xué)圖像輸入圖像初始化模型進(jìn)行初始特征的提取，然后將初始特征輸入到多層級(jí)深度特征提取模型中，提取出圖像的多層級(jí)深層特征，然后將深層特征輸入到多層級(jí)分割模型中，同時(shí)將多層級(jí)深度特征提取模塊中的深層特征，通過(guò)金字塔池化長(zhǎng)連接模型，輸入到多層級(jí)分割模型中，由多層級(jí)分割模型根據(jù)圖像中逐個(gè)像素的分類情況，輸出高精度分割后的醫(yī)學(xué)圖像，本發(fā)明提供的分割方法提升了醫(yī)學(xué)圖像深度特征提取效率，并能夠提高醫(yī)學(xué)影像分割的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于多層級(jí)神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割系統(tǒng)及方法。

背景技術(shù)

在醫(yī)學(xué)圖像處理領(lǐng)域，特別是在腦腫瘤的診斷診斷治療周期中，一個(gè)精確可靠的腦腫瘤圖像分割步驟起著關(guān)鍵性的作用。在實(shí)際的臨床診療過(guò)程中，通常是由豐富的臨床診療醫(yī)生根據(jù)自己的專業(yè)領(lǐng)域知識(shí)，手工勾畫(huà)出感興趣的醫(yī)學(xué)圖像區(qū)間，即臨床上廣泛采用人工處理的方法對(duì)腦腫瘤圖像進(jìn)行病灶區(qū)域的分割。然而，由于手工進(jìn)行腦腫瘤圖像的分割是一項(xiàng)非常繁瑣復(fù)雜的工作，因此研究者們?cè)谘邪l(fā)半自動(dòng)或自動(dòng)的腦腫瘤圖像分割方法上付出了許多努力。

早期的圖像處理技術(shù)主要是建立于數(shù)字信號(hào)處理學(xué)科的基礎(chǔ)上，把圖像當(dāng)作信號(hào)特征進(jìn)行時(shí)域和頻域上的分析以及濾波處理等，然而這些操作并不能高效地提取圖像中的隱藏的深層級(jí)別的特征，早期的圖像處理技術(shù)只能在相對(duì)簡(jiǎn)單的圖像處理任務(wù)上取得成效。神經(jīng)網(wǎng)絡(luò)方法的出現(xiàn)和快速發(fā)展使得改善這些問(wèn)題的狀況有所好轉(zhuǎn)，神經(jīng)網(wǎng)絡(luò)能夠高效的提取出圖像的深層級(jí)的特征。目前，卷積神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于眾多計(jì)算機(jī)視覺(jué)處理任務(wù)中，正逐步取代原始的圖像處理技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)降低了神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性，降低了計(jì)算所需要的資源開(kāi)銷，同時(shí)卷積神經(jīng)網(wǎng)絡(luò)還可以通過(guò)自學(xué)習(xí)的方式，避免了傳統(tǒng)圖像處理算法和數(shù)據(jù)重構(gòu)過(guò)程中復(fù)雜設(shè)計(jì)的特征提取過(guò)程，基于這些優(yōu)勢(shì)，神經(jīng)網(wǎng)絡(luò)方法在醫(yī)學(xué)圖像處理任務(wù)中被廣泛采用。

然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)是一個(gè)單層級(jí)網(wǎng)絡(luò)，將圖像從淺層特征到深層特征的過(guò)程，提取出的特征豐富度有限，同樣的，在網(wǎng)絡(luò)上采樣的過(guò)程中，也是只有一個(gè)單層級(jí)的網(wǎng)絡(luò)結(jié)構(gòu)，處理結(jié)果精度不高，另外，在特征由提取階段到上采樣之間的連接方式也較為局限，多數(shù)采用的是同尺寸特征直連的方式，忽略了一些全局特征對(duì)局部特征的影響。換句話說(shuō)，大多數(shù)方法忽略了在神經(jīng)網(wǎng)絡(luò)寬度的擴(kuò)展以及拓展方式，沒(méi)有對(duì)淺層特征進(jìn)一步利用，使得獲取的深層特征豐富度不足，從而分割的腦腫瘤圖像效果較差，無(wú)法準(zhǔn)確高效的分割出病灶區(qū)域。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于多層級(jí)神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割系統(tǒng)及方法，解決了傳統(tǒng)醫(yī)學(xué)圖像分割方法所分割圖像精度不足的問(wèn)題。

為了達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為：

本方案提供一種基于多層級(jí)神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割系統(tǒng)，包括圖像初始化模塊、多層級(jí)深度特征提取模塊、金字塔池化長(zhǎng)連接模塊以及多層級(jí)分割模塊；

所述圖像初始化模塊，用于將采集的原始醫(yī)學(xué)圖像輸入至圖像初始化模型，并利用圖像初始化模型提取原始醫(yī)學(xué)圖像的初始化特征；

所述多層級(jí)深度特征提取模塊，用于利用原始醫(yī)學(xué)圖像的初始化特征訓(xùn)練多層級(jí)深度特征提取模型，并利用訓(xùn)練后的多層級(jí)深度特征提取模型分別提取醫(yī)學(xué)圖像的多層級(jí)深度特征以及淺層特征；

所述金字塔池化長(zhǎng)連接模塊，用于根據(jù)所述醫(yī)學(xué)圖像的淺層特征，利用金字塔池化長(zhǎng)連接模型彌補(bǔ)多層級(jí)深度特征提取模型中丟失的卷積信息，得到全局聚合特征；

所述多層級(jí)分割模塊，用于利用醫(yī)學(xué)圖像的多層級(jí)深度特征以及全局聚合特征訓(xùn)練多層級(jí)分割模型，并利用訓(xùn)練后的多層級(jí)分割模型得到原始醫(yī)學(xué)圖像的分割結(jié)果，完成基于多層級(jí)神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割。