一种基于边界约束的图像分割方法

技术领域

本发明属于深度学习技术领域，具体涉及一种基于边界约束的图像分割方法。

背景技术

血管瘤是一种婴儿早期良性肿瘤，发病率为10-12％，主要见于早产儿和女婴。小区域的血管瘤不会对婴儿造成影响，大的血管瘤块会影响婴儿的视力，损害声道，甚至危及生命。

对于血管瘤的分割工作通常由有经验的医生进行，但这项工作不仅花费了医生大量的精力，同时对于血管瘤病灶分割的准确性受医生经验的影响，无法做到客观的分割。近些年来，深度学习技术快速发展，标准的编码器-解码器网络U-Net在医学图像自动分割领域取得了很大的成功。但在现有的方法中，使用医学图像自动分割产生的分割结果中边界的分割精度有待提高。

发明内容

本发明要解决的技术问题是：提供一种基于边界约束的图像分割方法，用于提高医学图像的分割结果中边界的分割精度。

本发明为解决上述技术问题所采取的技术方案为：一种基于边界约束的图像分割方法，包括以下步骤：

S1：选定一种语义分割数据集，选定数据集中需做边界约束的目标；

S2：由数据集的标注图生成反向距离权重图IWM；

S3：构建通用语义分割网络；

S4：训练构建好的通用语义分割网络；

S5：使用训练完成的通用语义分割网络对给定的场景进行语义分割。

按上述方案，所述的步骤S2中，具体步骤为：

S21：根据数据集的标注图所包含的目标边界信息计算数据集中图片的目标与目标边界的距离，得到距离图DM；

设距离图DM中目标到边界的距离为DM

IDM＝max(DM

反向距离图IDM中离目标边界近的目标数值大，目标边界部分的权重大；距离目标边界远的目标数值小，目标中心区域的权重小；

S22：当图像包含多个目标时，循环执行步骤S21；

S23：将背景区域权重设置为1；设b是一个超参数；计算反向距离权重图IWM：

进一步的，所述的步骤S4中，具体步骤为：

S41：使用通用语义分割网络得到初始概率图；

S42：将初始概率图与步骤S23得到的反向距离权重图IWM相乘，得到经边界约束后的距离概率图；设L

loss＝L

S43：使用反向传播算法训练通用语义分割网络，更新梯度和模型参数，得到训练好的基于边界约束的通用语义分割网络。

按上述方案，所述的步骤S1中，选定的数据集为带有标注图像的血管瘤超声数据集，选择做边界约束的目标为数据集中的病灶。

进一步的，所述的步骤S3中，通用语义分割网络为通用医学图像语义分割网络，包括U-Net、Fast-SCNN和SegNet。

进一步的，所述的步骤S43中，具体步骤为：

将初始的学习率设置为5e-4，利用血管瘤超声数据集的训练集训练通用医学图像语义分割网络350轮，更新模型参数，得到训练好的基于边界约束的通用医学图像语义分割网络。

进一步的，所述的步骤S5中，具体步骤为：

输入待处理的血管瘤超声图像；若输入尺寸不匹配，则对输入图像尺寸进行调整，得到最终的图像分割结果。

一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行一种基于边界约束的图像分割方法。

本发明的有益效果为：

1.本发明的一种基于边界约束的图像分割方法，针对当前语义分割技术的不足，在模型训练过程中充分利用标注图中带有的先验知识，通过计算病灶内像素到病灶边界的反向距离，将其作为权重编码进损失函数中，从而让网络更加关注目标的边界信息，实现了提高医学图像的分割结果中边界的分割精度的功能。

2.本发明通过使用图像中的目标内像素到目标边界的距离作为权重，通过这种权重分配方式将目标的形状作为先验知识并编码进损失函数中，充分利用病灶的形状先验信息，能够更加精确的分割病灶的边界，实现简便、快速，有效提高了模型的分割精度，明显提高了语义分割的质量，提高了模型分割的鲁棒性。

附图说明

图1是本发明实施例的流程图。

图2是本发明在血管瘤超声数据集上的实施例图。

具体实施方式

为使本领域内的专业人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明做详细说明，但不作为本发明的限定。本文中所列的实施步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应被视为限制，本领域的技术人员应知道可以对其进行顺序调整，只要不破坏彼此之间的逻辑性导致整个流程图无法实现即可。

参见图1，本发明的实施例包括以下步骤：

S1：选定一种语义分割数据集，选定数据集中需做边界约束的目标；

选定的数据集为带有标注图像的血管瘤超声数据集，选择做边界约束的目标为数据集中的病灶。

S2：由数据集的标注图生成反向距离权重图IWM，具体步骤为：

S21：根据数据集的标注图所包含的目标边界信息计算数据集中图片的目标(病灶像素点)与目标边界(病灶边界)的距离，得到距离图DM；

由于病灶边界的像素点难以分割准确，设距离图DM中单个病灶内像素到边界的距离为DM

IDM＝max(DM

反向距离图IDM中离边界近的像素点数值大，边界部分的权重大；距离边界远的像素点数值小，病灶中心区域的权重小；通过给予病灶边界的像素更高的权重，使得模型更加关注边界的分割精度；

S22：当图像包含多个病灶时，循环执行步骤S21；

S23：将背景区域权重设置为1；设b是一个超参数，为了防止被除数为0，默认设置b＝6e-6；计算反向距离权重图IWM：

S3：构建通用语义分割网络；通用医学图像语义分割网络包括U-Net、Fast-SCNN和SegNet。

S4：训练构建的通用语义分割网络，具体步骤为：

S41：使用通用语义分割网络得到初始概率图；

S42：将初始概率图与步骤S23得到的反向距离权重图IWM相乘，得到经边界约束后的距离概率图；设L

loss＝L

S43：使用反向传播算法训练通用语义分割网络，更新梯度和模型参数，得到训练好的基于边界约束的医学图像语义分割网络；

将初始的学习率设置为5e-4，利用血管瘤超声数据集的训练集训练350轮，更新模型参数，得到训练好的基于边界约束的通用医学图像语义分割网络。

S5：使用训练完成的通用语义分割网络对给定的场景进行语义分割；

输入待处理的血管瘤超声图像；若输入尺寸不匹配，则对输入图像尺寸进行调整，得到最终的图像分割结果。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。