1.一种多尺度特征选择性融合的胰腺图像分割方法,其特征在于,构建一个两阶段的由粗到细的胰腺分割框架,首先在预处理后的整图上进行粗分割和分割优化得到粗分割结果,确定胰腺分割区域的边界框,对预处理后的图像进行裁剪,再在裁剪图像上进行细分割和分割优化得到胰腺图像的细分割结果;
所述粗分割和细分割的分割优化方法包括以下步骤:
1)将SE机制和Inception思想引入不同层次的特征融合中,构建了多尺度特征选择性融合模块MSSFM;
MSSFM利用多尺度特征信息产生一个空间位置权重以及对应尺度特征的尺度特征权重;对于给定的不同层次特征,首先利用卷积核大小为1的卷积操作以及上采样操作统一特征的尺寸和特征的维度为C×H×W,另外为了增加模型对多个尺度特征的自适应性,分别利用卷积核大小为3和5的卷积操作获取多个不同尺度的特征FX3,FX5,FY3,FY5,特征维度C/r×H×W,r是降维系数,然后利用多尺度特征空间决策的一致性和差异性,对多尺度特征进行选择性融合,融合后的特征表示为:
∈4×1
WX3,X5,Y3,Y5 =σ(Conv1*1(δ(Conv1*1(g(S)))) (2)WS=Max(S) (3)S=Concat(SX3,SX5,SY3,SY5) (4)其中WX3,WX5,WY3,WY5分别对应不同尺度特征的尺度信息权重,为不同尺度特征的空间位置权重,Concat表示特征维度的特征堆叠;σ表示sigmoid激活,δ表示Relu激活,Conv1*1表示卷积核大小为1*1的卷积操作,g为全局平局池化操作,用来进行特征空间压缩;
2)、对胰腺图像数据,首先进行阈值化处理,CT值范围[‑100,240]HU,突显胰腺区域,再归一化到[0,1];采用了四折交叉验证,在每一轮中取三份作为训练集,剩下的一份作为测试集,总共进行四轮,期间每例病人都会被评估一次;
在模型训练过程中,利用随机翻转、旋转、平移、错切、缩放操作对训练数据做数据增广,增加样本的数量。
2.如权利要求1所述的多尺度特征选择性融合的胰腺图像分割方法,其特征在于,在模型训练阶段,学习率设置为0.0001,并选择Adam优化器。总共训练20个epoch,每10个epoch,学习率减少10倍;期间使用4个样本的batch size进行梯度更新,损失函数采用一般的Dice损失函数:
采用形态学闭运算操作以及最大连通域处理,对三维体数据的分割结果进行优化,确保各个Slice的三维连通性并平滑边界信息,去除离群点的影响;采用Ball核进行形态学操作。