一种基于改进U-net的颈椎黄韧带增厚的图像分割方法

摘要

本发明公开了一种基于改进U‑net的颈椎黄韧带增厚的图像分割方法，包括4个步骤：S1预处理模块：对输入的颈椎黄韧带MR图像进行预处理；S2网络构建模块：构建改进U‑net网络；S3训练模块：利用所述的颈椎黄韧带MR图像训练改进U‑net网络；S4测试模块：通过改进U‑net网络得到颈椎黄韧带MR图像分割的结果。本发明提供可以通过颈椎黄韧带增厚MR图像数据集对改进U‑net网络进行训练，并根据准确性、召回率和Dice系数判断改进U‑net是否优于原来网络，实现颈椎黄韧带MR图像病灶区域有效分割，减省医生诊断时间，降低医生劳动强度，帮助医师医学影像研究结合计算机的图像处理辅助治疗颈椎黄韧带增厚这类颈椎病有着重要意义。

说明书

技术领域

本发明涉及图像处理领域，特别是涉及一种基于改进U-net的颈椎黄韧带增厚图像分割方法。

背景技术

颈椎黄韧带增厚在颈椎病当中是常见的现象，首先，颈椎黄韧带的增厚可以由后方向前方产生局部压迫，可以刺激到局部的神经，产生反射性的疼痛。其次，在局部疼痛症状的基础上，患者还可能出现活动受限的情况。另外，颈椎黄韧带增厚可能会对椎管内的颈椎产生一定程度的压迫，如果压迫颈髓后方的结构，此时患者可能会出现四肢麻木症状。为了治疗越来越多的颈椎病患者，医学影像研究结合计算机的图像处理对辅助医师临床诊断帮助解决颈椎黄韧带增厚这类颈椎病有着重要意义。

医学图像分割技术一直是计算机图像处理和医学影像领域的挑战之一，分割取决于不同的医学临床诊断的方式和条件。能否从医学影像中更加精确的分割出医师所需要的最主要、最重要的患者患病区域的图像区域直接影响医师的诊断结果。

发明内容

本发明的目的在于解决颈椎病黄韧带增厚的图像分割技术问题，提供一种改进的U-net 颈椎黄韧带增厚的图像分割方法；通过准确性、召回率和Dice系数，对分割性能进行判定。

为了实现以上目的，本发明所采用的技术方案包括以下步骤：

步骤S1.预处理模块：对输入的颈椎黄韧带MR图像进行预处理；

步骤S2.网络构建模块：构建改进U-net网络；

步骤S3.训练模块：利用所述的颈椎黄韧带MR图像训练改进U-net网络；

步骤S4.测试模块：通过改进U-net网络得到颈椎黄韧带MR图像分割的结果；

所述步骤S1数据预处理如下：

步骤S11：灰度值标准化。灰度值标准化是将灰度值减去灰度值的均值，再除以标准差，这样可以方便处理数据和加快模型收敛，灰度值和标准差均通过统计训练数据计算得到。

步骤S12：数据增强。采用随机剪裁、随机水平翻移动等图像增强方法来处理训练集中的图像。

所述步骤S2改进U-net网络构建模块步骤如下：

步骤S21：改进U-net网络的编码模块。采用加入注意力机制的EfficientNet-B0网络，对有效信息进行提取。EfficientNet-B0基线体系结构的特征提取由几个移动翻转瓶颈卷积 (MBConv)块，内置的压缩和激发(SE)，批处理归一化和Swish激活组成。

步骤S22：改进U-net网络的解码模块。在解码器中将传统的上采样操作换成DUpsampling 结构，充分获取黄韧带病灶边缘的细节特征信息。在训练集中对每个分割图进行一个线性映射，将其转化称为与Encoder模块得到的特征图相同的维度上。其过程表达式(1)如下：

x＝Pv (1)

矩阵P是矩阵W的反变换，其中v表示的是真正的分割结果中的区域表示，

所述步骤S3改进U-net网络训练模块步骤如下：

步骤S31：输入预处理好的颈椎黄韧带MR图像。

步骤S32：通过下采样提取图像特征，不断地进行迭代训练，计算网络的损失函数值。当损失函数值降低到较小的值，并且保持稳定之时，说明该模型已经收敛，保存此时的模型参数到本地。

步骤S33：通过DUpsampling结构的上采样还原图像尺寸。

所述步骤S4改进U-net网络测试模块步骤如下：

步骤S41：将测试数据导入训练好的改进U-net网络，进行测试，生成模型预测准确性、召回率和Dice系数。其公式(3)如下：

其中，TP表示被正确检测为正样本的像素数量；FP表示被错误检测为正样本的像素数量； FN表示被错误检测为负样本的像素数量；TN表示被正确检测为为负样本的像素数量。A是分割结果像素构成的集合，B是实际数据集标签像素构成的集合。

步骤S42：根据准确性、召回率和Dice系数判断改进U-net优于原来网络。

本发明具有以下有益效果及优点：

(1)该模型通过使用深度可分离卷积、压缩和激励操作操作和DUpsampling上采样操作改进传统编码-解码模型，对各种复杂细小的颈椎黄韧带图像边缘部位具有更强的特征提取能力，同时降低模型的计算量。

(2)在训练集和测试集上均表现出比已有模型更好的分割效果和泛化能力，能够有效提取 MR图像中的黄韧带增厚病灶区域。

附图说明

图1为本发明一种基于U-net的颈椎黄韧带增厚图像分割方法步骤图。

图2为本发明基于U-net的颈椎黄韧带增厚图像分割方法的流程图。

具体实施方式

实施例：

如图1所示，本发明技术方案包含四个方面的步骤：数据预处理，构建改进U-net网络，训练改进U-net网络，评估测试。

所述步骤S1预处理模块：对输入的颈椎黄韧带MR图像进行预处理；

所述步骤S2网络构建模块：构建改进U-net网络；

所述步骤S3训练模块：利用所述的颈椎黄韧带MR图像训练改进U-net网络；

所述步骤S4测试模块：通过改进U-net网络得到颈椎黄韧带MR图像分割的结果；

如图2所示，预处理阶段突出图像黄韧带边缘信息减少分割干扰，数据扩增防止网络过拟合，本发明所述一种基于U-net的颈椎黄韧带增厚图像分割方法的工作过程分为以下几步：

首先将图像进行灰度值标准化和数据增强。灰度值标准化是将灰度值减去灰度值的均值，再除以标准差，这样可以方便处理数据和加快模型收敛，灰度值和标准差均通过统计训练数据计算得到。采用随机剪裁、随机水平翻移动等图像增强方法来处理训练集中的图像。训练集包含1105张图；验证集包含150张图像，测试集包含10张图像，所有训练集和测试图像大小统一为512×512，并进行归一化处理。

接着构建改进U-net网络，编码模块采用加入注意力机制的EfficientNet-B0网络，对有效信息进行提取。EfficientNet-B0的核心结构为移动翻转瓶颈卷积(MBConv)模块，该模块还引入了压缩与激发网络(SENet)的注意力思想，批处理归一化和Swish激活组成。MBConv 是通过神经网络架构搜索得到的，由深度可分离卷积和SENet构成。SE模块是在通道维度上做注意力操作，这种注意力机制使得模型可以关注更多的信息通道特征，同时抑制那些不重要的通道特征。

解码模块在解码器中将传统的上采样操作换成DUpsampling结构，其是数据相关性上采样，充分获取黄韧带病灶边缘的细节特征信息。上采样结构将特征图恢复至原始图像的尺寸。在训练集中对每个分割图进行一个线性映射，将其转化称为与Encoder模块得到的特征图相同的维度上。其过程表达式(1)如下：

x＝Pv (1)

矩阵P是矩阵W的反变换，其中v表示的是真正的分割结果中的区域表示，

然后输入预处理好的颈椎黄韧带MR图像，通过下采样提取图像特征，不断地进行迭代训练，计算网络的损失函数值，当损失函数值降低到较小的值，并且保持稳定之时，说明该模型已经收敛，保存此时的模型参数到本地，通过DUpsampling结构的上采样还原图像尺寸。

最后测试改进U-net网络，将测试数据导入训练好的改进U-net网络也进行测试，生成模型预测准确性、召回率和Dice系数。其公式(3)如下：

其中，TP表示被正确检测为正样本的像素数量；FP表示被错误检测为正样本的像素数量； FN表示被错误检测为负样本的像素数量；TN表示被正确检测为为负样本的像素数量。A是分割结果像素构成的集合，B是实际数据集标签像素构成的集合。根据准确性、召回率和Dice 系数判断改进U-net优于原来网络。

以上所述内容，仅为本发明较好的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在不脱离本发明的前提下，做出的若干改进和润饰都应符合与本发明所公开的原理和新颖特点相一致的最宽的范围。