一种基于双型U-Net模型的医学图像分割方法与流程

技术特征：
1.一种基于双型u
‑
net模型的医学图像分割方法，其特征在于包括如下步骤：步骤1、获取图像数据集，并进行图像增强预处理；步骤2、将预处理后的数据集划分为训练集、验证集和测试集；步骤3、搭建双型u
‑
net网络模型，使用预训练的vgg19替换模型的第一个编码器，对原u
‑
net网络进行改进，加入aspp获取网络模型的上下文信息；步骤4、设计损失函数，评估指标；步骤5、将待分割图像输入到网络模型中进行训练，得到分割结果：将训练集、验证集和测试集分别输入到网络模型中，得到输出图像以及对应的评估指标结果。2.根据权利要求1所述的一种基于双型u
‑
net模型的医学图像分割方法，其特征在于步骤3所述的搭建双型u
‑
net网络模型，是在原u
‑
net模型基础上，再联结一个新编码
‑
解码结构，并使用在imagenet上预训练好的vgg19模型替换双型u
‑
net的第一个编码模块；在编码和解码结构之间加入aspp，使得网络能够获得更高分辨率的特征图，提升模型的性能；具体实现如下：a.引入预训练好的vgg
‑
19结构代替双型u
‑
net的第一个编码模块：b.两个u
‑
net网络串联：在u
‑
net网络模型上，串联一个新的u
‑
net结构，并且将第一个网络的输出和输入同时作为第二个网络的输入，并且将第一个网络的输出和第二个网络的输出进行连结，得到最终的输出结果；c.引入aspp结构：aspp为空洞空间金字塔池化操作，是语义分割模块，用于在卷积之前以多种比例对给定的特征层进行重采样；相当于使用具有互补有效视场的多个filters探测原始图像，从而以多个比例捕获对象以及有用的图像上下文信息。3.根据权利要求2所述的一种基于双型u
‑
net模型的医学图像分割方法，其特征在于步骤4所述的设计损失函数，评估指标，具体实现如下：双型u
‑
net网络模型使用二元交叉熵损失函数，使用dice系数、miou、准确率和召回率作为评估指标对输出结果进行评价对比；dice系数:其中a表示医生标记的真实值，b表示网络预测值；miou:其中，tp表示预测为真阳性，即正确预测为病灶的区域，fn表示假阴性，即错误预测为非病灶区域，fp表示假阳性，即错误预测为病灶区域；准确率(precision)：召回率(recall)：

技术总结
本发明公开了一种基于双型U


技术研发人员：颜成钢 刘硕 高宇涵 彭开来 孙垚棋 张继勇 李宗鹏
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.06.29
技术公布日：2021/10/23