医学图像分割是医学诊疗与影像分析的关键环节,为医学组织研究和临床诊断提供支持。然而医学图像受设备和人体内部构造的影响易产生噪声和灰度不均等情况,且不同患者器官的大小和形状不同,给医学图像的病灶分割带来挑战。现有的活动轮廓模型方法不需要训练集且能较好利用目标边缘信息,但对初始轮廓和噪声较敏感,在处理灰度不均图像时分割不够精确。卷积神经网络能够分割更复杂的医学图像,但需要大量的人工标记,网络的特征提取机制导致其在对非典型边界特征的决策时通常是不够准确的。本文针对训练集较小的医学图像,研究卷积神经网络和活动轮廓模型融合的方法。主要研究工作如下:(1)总结活动轮廓模型和卷积神经网络相关的基本方法,介绍一些经典的模型和网络结构,简单概括各个经典分割方法的优缺点,分析活动轮廓模型和卷积神经网络分割方法各自的优点及存在的问题。(2)针对医学图像灰度不均、边缘不清晰以及活动轮廓模型初始敏感的问题,结合卷积神经网络方法提出一种新的能量函数,由拟合能量项、保真项和正则项组成。首先通过U-Net 3+网络获得先验信息,使用得到的先验信息作为拟合能量项构造新的能量函数,最小化能量函数从而约束曲线演化。构造的新能量函数能够有效提高模型对噪声和初始轮廓的鲁棒性。同时在能量函数中加入边缘停止函数作为拟合能量项和保真项的权重,引入图像边缘信息,补充神经网络在训练过程中弱化的边缘特征,优化分割结果。(3)针对活动轮廓模型方法需要人工干预调整参数的问题,提出一种基于结合卷积神经网络和活动轮廓模型的全自动分割模型,该模型在深度活动病灶分割模型(Deep Active Lesion Segmentation,DALS)的基础上进行改进,引入全尺度跳跃连接,使模型下采样阶段中每层的信息依次传递给模型上采样阶段的各个层中,充分利用各阶段的特征信息和全尺度信息。同时使用密集块和多尺度空洞模块,使网络变窄,减少特征图的数量,降低因为连接增加而增大的计算量,提高计算效率。该方法首先通过网络模型获得估计概率图,根据此概率图计算活动轮廓模型的初始距离函数和两个参变量,最后最小化能量函数获得分割结果。综上所述,本文系统介绍了卷积神经网络和活动轮廓模型的相关方法,并在此基础上对两种方法的融合进行研究,提出两种结合卷积神经网络和活动轮廓模型的图像分割方法,并在皮肤病变和胸部X光图像上与现有分割方法进行实验对比,验证了提出模型的有效性。
暂无评论