随着医学影像技术的发展和进步,医生开始大量利用医学影像数据,完成对人体组织或病灶的分割提取、三维重建、分类识别等,逐步形成了一套医学计算机辅助诊断系统,从而大大提高了医疗诊断的准确性和可靠性。超声、CT、MRI是现有医学影像技术领域最常见的成像技术。利用这些图像成像技术,医生可以快速判断患者的病情并给出相应的治疗措施与方法,为患者病情的治疗提供快捷而有效的帮助。与CT和MRI不同的是,超声技术后期成像技术简单,成像速度快,数据性延迟低,穿透性好,可以进行实时成像,且由于其仪器辐射量微小、超声检查价格低廉等优势被广泛应用于甲状腺、产前诊断等医学检查中。所以,对超声图像进行分割提取作为辅助诊断系统中的关键一步,占有非常重要的地位。同时,随着计算能力的提高和数据量的增加,深度学习在医学影像分割领域取得了显著进展,通过多层网络对局部特征和高层抽象特征的自动学习,优于传统的人工提取和预测。因此,本论文将结合超声图像和深度学习的优势,研究基于深度学习的超声图像分割技术,具体如下:1、设计超声图像预处理方法。数据准备方面:在医生的指导下,根据需要分割的组织或病灶区域,制定了基于控制变量的超声图像采集方案,并完成了对原始图像的标签制作处理。数据处理方面:采用导向滤波、限制对比度直方图均衡、Sobel边缘增强等现代数字图像处理技术对超声图像进行过滤去噪、提升对比度等处理;对标签进行二值化处理;按照比例划分数据集等。数据增强方面:结合在线增强和离线增强的方式,对训练集和验证集进行数据扩充,即能减少内存压力,又能增强模型泛化效果。2、基于U-Net Baseline网络结构,设计一种能够精确分割医学组织或病灶的超声图像分割算法。包括以下三个创新:Ⅰ)多输入密集空洞卷积编码器模块。将输入数据缩放为四组,分别与各个下采样层做拼接,每一层拼接后都集成密集卷积块,并采用空洞卷积的方式,扩大感受野的同时捕获多尺度信息。该模块缓解了梯度消失问题,能够增强特征传递和特征重用。Ⅱ)金字塔注意力中心模块。采用空间金字塔产生不同层次的特征图,聚合不同区域的上下文信息,从而提高获取全局信息的能力,并且扩大感受野的范围。采用注意力机制使得网络更加关注于目标区域。结合注意力机制和空间金字塔模型,提取准确而密集的像素级特征用于像素标记,解决了物体尺度不一,小物体分割效果不好的多尺度问题。Ⅲ)深度监督通道注意力解码器模块。使用编码器阶段提取的特征作为解码器阶段的门控信息,突出通过跳级连接传递显著特征。该模块不需要在网络间裁剪感兴区域,能够抑制无关背景区域的特征响应,对形状变化较大的小物体进行更加准确的预测,帮助加快收敛速度。本论文的技术研究集成了多尺度框架、密集空洞卷积网络、注意力机制、空间金字塔、新型损失函数等多种模型,在超声数据集上表现出优异分割性能,能够实现特征重用、抑制无关区域响应、提高小感兴区域性能,解决了超声图像样本少、像素低、边界模糊、差异性大等问题,获得了最优分割效果。