CN109191476A - 基于U-net网络结构的生物医学图像自动分割新方法 - Google Patents

Abstract

本发明属于图像处理与计算机视觉技术领域，涉及基于U‑net网络结构的生物医学图像自动分割新方法，包括将生物医学数据集分为训练集和测试集，对测试集和扩增处理后的测试集进行归一化预处理；将训练集的图像输入改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；通过集中性损失函数计算分类概率图与金标准的误差，通过梯度后向传播方法，获得网络模型的权重参数；将测试集中的图像输改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；根据分类概率图中的类别概率，得到图像的分割结果图；本发明解决图像分割过程中简单样本对损失函数的贡献过大以至于不能很好学习困难样本等问题。

Description

基于U-net网络结构的生物医学图像自动分割新方法

技术领域

本发明属于图像处理与计算机视觉技术领域，特别涉及一种基于U-net网络结构的生物医学图像自动分割新方法。

背景技术

医学图像分割对三维定位、三维可视化、手术规划和计算机辅助诊断等都具有十分重要的意义，是图像处理与分析的热点研究领域之一。其方法分为人工分割、半自动分割和自动分割三种。人工分割方法十分耗时，并且依赖于临床专家的知识经验等主观因素，可重复性较差，不能完全满足临床上的实时需要。半自动分割方法采取人机交互，在一定程度上提高了分割速度，但仍然依赖于观察者，限制了其在临床实践中的应用。自动分割方法完全借助计算机提取出感兴趣区域边缘，该种方法完全避免了观察者主观因素的影响，提高了处理数据的速度，可重复性好。然而，由于在生物医学中，目标个体结构的复杂变化以及各种医学成像方式和技术造成的低对比度、噪音等影响，使医学图像的可变性很高。因此，自动分割生物医学图像成为目前图像处理的研究热点之一。

近年来，基于像素的方法和基于结构的方法在生物医学图像分割方面取得了实质性的进展。这些方法使用手工特征和先验知识，在一些简单的分割任务中取得了期望的结果，当应用到具有复杂变化特性的对象时往往效果不佳。最近，深度神经网络(DNNs)，特别是全卷积神经网络(FCN)对医学图像分割非常有效，被认为是使用深度学习进行图像分割的基本结构。该网络通过像素分类达到分割目的，其结构包括向下采样部分和向上采样部分。向下采样部分由卷积层和最大池化层组成，向上采样部分由卷积层和反卷积(转置卷积)层组成。U-net是一种基于FCN的医学图像分割方法，它包括编码器(encoder)和解码器(decoder)两部分。编码器和解码器分别对应FCN中的向下采样部分和向上采样部分，解码器通过跳跃连接编码器以融合细节特征，从而提高了分割的效果，并在ISBI2015细胞分割大赛中获得冠军。随后，先后提出了一系列基于U-net结构的医学图像分割方法，并成功应用于临床诊断。

在基于U-net结构的分割网络中，输入图像经过编码器后分辨率变小，解码器通常使用反卷积或者双线性插值后再接2×2卷积这两种方法，逐渐地恢复分辨率并最终输出分割结果图。但是，反卷积在卷积之前进行的补零操作以及双线性插值的不可学习特性，都会影响解码器的性能。目标的形状和大小变化复杂是生物医学图像分割的主要困难之一。解决该问题通常有两种方法：一是使用具有空间不变性的手工特征变换算法，如尺度不变特征变换算法(SIFT)。但是，当目标变化太复杂时，该方法往往失效。二是通过数据增强和具有学习几何变换能力的神经网络来完成。数据增强是通过一些几何变换方法如旋转、翻转、缩放等增加数据集中图像的数量，但是非常耗时，不适用于具有复杂几何变换的目标。空间变换网络(Spatial Transformer Networks，STNs)是由Jaderberg等人提出的一种卷积神经网络架构模型，鲁棒性很好，具有平移、伸缩、旋转、扰动、弯曲等空间不变性，其在一些小图像分类任务上获得了不错的效果。STNs通过学习全局变换参数(比如仿射变换)来扭曲特征图。但是，学习全局变换参数是困难的，并且非常耗时。可变形卷积也具有学习几何变换的能力，其通过局部且密集的方式在特征图上采样生成新的特征图，以适应图像的几何变化。相较于STNs，可变形卷积的计算量更小且更容易训练。

此外，生物医学图像往往存在正负样本分布不平衡问题，且同类样本也有难易之分，比如目标边缘区域的样本较于中心区域更加难分割。这两个问题会导致损失函数收敛到一个不好的位置，造成模型的泛化能力降低。集中性损失函数(Focal loss)最初应用在密集目标检测任务中，以解决Anchor机制产生的样本严重不平衡，简单样本对损失函数的贡献过大以及不能很好学习困难样本等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于U-net网络结构的生物医学图像自动分割新方法，其利用可变形卷积提高编码器的提取特征的能力，提出一种新的上采样方法增强解码器恢复分辨率，融合特征的能力，使用集中性损失函数提高模型学习困难样本的能力，最终提高分割效果。

为达到上述目的，本发明提供基于U-net网络结构的生物医学图像自动分割新方法，包括以下步骤：

S1：将生物医学数据集分为训练集和测试集，将训练集进行数据扩增处理，并对测试集和扩增处理后的数据集进行归一化预处理；

S2：将训练集的图像输入改进的U-net网络模型，输出图像经过softmax层生成一个通道数为2的分类概率图，其中分类概率图与输入图像的分辨率相同；

S3：通过集中性损失函数计算分类概率图与金标准的误差，并通过梯度后向传播方法，获得改进的U-net网络模型的权重参数；

S4：将测试集中的图像输入S3中训练好的改进的U-net网络模型，输出图像经过softmax层生成分类概率图；

S5：根据分类概率图中的类别概率，取概率最大的类别作为该像素位置的类别，得到图像的分割结果图。

进一步的，步骤S1具体包括：

S11：将训练集中的图像数据进行旋转，旋转角度在(-20°，20°)之间，截取旋转后的图像数据的最大矩形；

S12：将旋转后的图像数据以80％的概率进行上下翻转和左右反转，然后跳至步骤S13：

S13：将图像数据以80％的概率进行弹性扭曲，然后跳至步骤S14；

S14：将图像数据进行(50％，80％)范围的缩放处理，完成数据扩增处理；

S15：计算测试集和扩增处理后的训练集中图像数据的均值和标准差，按对比度归一化公式处理图像的对比度，其中对比度归一化公式表示为：

I＝(I-Mean)/Std；

其中，I表示图像的对比度，Mean表示图像数据的均值，Std表示图像数据的标准差。

优选的，改进的U-net网络模型包括可变形编码器和具有重构上采样结构的解码器网络组成，可变形编码器的组成依次包括输入层、第一可变形卷积层、第二可变形卷积层、第一最大池化层、第三可变形卷积层、第四可变形卷积层、第二最大池化层、第五可变形卷积层、第六可变形卷积层、第三最大池化层、第七可变形卷积层、第八可变形卷积层、第四最大池化层、第九可变形卷积层；具有重构上采样结构的解码器网络包括第一常规卷积层、第一重构上采样层、第二常规卷积层、第三常规卷积层、第二重构上采样层、第四常规卷积层、第五常规卷积层、第三重构上采样层、第六常规卷积层、第七常规卷积层、第四重构上采样层、第八常规卷积层、第九常规卷积层、第十常规卷积层即输出层；第一常规卷积层与第九可变形卷积层连接，第一重构上采样层与第八可变形卷积层进行拼接，第二重构上采样层与第六可变形卷积层进行拼接，第三重构上采样层与第四可变形卷积层进行拼接，第四重构上采样层与第二可变形卷积层进行拼接；在每个可变形卷积层和常规卷积层的激活函数之前，均加入组标准化。

优选的，可变形卷积层的操作包括：

S21：将大小为h×w×c的特征图输入可变形卷积层中，使用激活函数为elu的卷积层对特征图进行卷积；

S22：将S21中的卷积结果输入激活函数为rule的卷积层进行卷积操作；

S23：对S22的卷积结果进行重构操作，生成3h×3w×2的偏移域；

S24：利用偏移域对特征图进行双线性插值，生成3h×3w×c的特征图；

S25：将3h×3w×c的特征图输入卷积核个数为d、步长为3的3×3卷积层，得到h×w×d的特征图即可变形卷积的输出。

优选的，重构上采样层的操作包括：

S31：对于分辨率为h×w，通道数为c的特征图，首先通过2c个1×1的卷积将其通道数增大2倍；

S32：S31输出的特征图经过组标准化操作和relu激活函数，得到了h×w×2c的特征图；

S33：将S32得到的特征图分为c/2个部分，每个部分为h×w×4，对每个部分进行重构上采样，最终生成2h×2w×c/2的特征图，由此完成分辨率扩大两倍，通道数缩小一半的上采样过程。

优选的，所述集中性损失函数L_focal表示为：

其中，α为常数，为应对类别不平衡的因子；γ为大于0的参数，为控制难易样本对损失函数的贡献差距的参数；y(x)表示输入特征图；p(x)表示像素x处的值；对于正样本，p(x)越大说明是简单样本，对应的(1-p(x))^γ越小，从而降低其对损失函数的贡献；p(x)越小说明是困难样本，对应的(1-p(x))^γ越大，加大其在损失函数的占比。

本发明的有益效果在于：

1)本发明根据生物目标的目标往往具有非刚性，除了采用旋转、反转外，还采取了弹性扭曲的数据扩增方法，该方法能够大大增加训练集的图片数量；

2)本发明采用U-net这种全卷积神经网络结构，可以从数据中学习，是一种图像到图像的分割网络，同时该网络还可以融合细节信息和全局信息，进而提高分割效果；

3)本发明针对编码器所使用的常规卷积因其固定的几何结构限定了对几何形变的学习能力，采用可变形卷积，其可以根据数据自适应地改变卷积结构；

4)本发明针对编码器所使用的上采样方法具有一些缺点，例如反卷积需要在卷积前进行补零，双线性插值的不可学习性，提出重构上采样卷积，其不需要补零，并且是可学习的；

5)本发明针对生物医学图像往往存在正负样本分布不平衡问题，且同类样本也有难易之分，比如目标边缘区域的样本较于中心区域更加难分割，采用集中性损失函数，其可以解决简单样本对损失函数的贡献过大以及不能很好学习困难样本等问题。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于U-net网络结构的生物医学图像自动分割方法流程示意图；

图2为本发明改进的U-net网络结构示意图；

图3为本发明可变形卷积的示意图；

图4为本发明重构上采样结构的示意图；

图5为本发明使用的训练集细胞图第1/30切片图；

图6为本发明图5中细胞图对应的金标准示意图；

图7为本发明测试集第18张切片图示意图；

图8为采用本发明方法得到的细胞分割效果图。

具体实施方式

下面结合说明书附图对本发明一种基于U-net网络结构的生物医学图像自动分割新方法进行进一步的说明。

本发明提供一种基于U-net网络结构的生物医学图像自动分割方法，如图1，包括以下步骤：

S1：将生物医学数据集分为训练集和测试集，将训练集进行数据扩增处理，并对测试集和扩增处理后的数据集进行归一化预处理；

S2：将训练集的图像输入改进的U-net网络模型，输出图像经过softmax层生成一个通道数为2的分类概率图，其中分类概率图与输入图像的分辨率相同；

S3：通过集中性损失函数计算分类概率图与金标准的误差，并通过梯度后向传播方法，获得改进的U-net网络模型的权重参数；

S4：将测试集中的图像输入S3中训练好的改进的U-net网络模型，输出图像经过softmax层生成分类概率图；

S5：根据分类概率图中的类别概率，取概率最大的类别作为该像素位置的类别，得到图像的分割结果图。

由于深度神经网络需要大量的数据进行训练，且生物目标的形态变化复杂，所以需要对训练集进行数据扩增，对训练集数据扩增包括以下步骤：

S11：将训练集中的图像数据进行旋转，旋转角度在(-20°，20°)之间，截取旋转后的图像数据的最大矩形；

S12：将旋转后的图像数据以80％的概率进行上下翻转和左右反转，然后跳至步骤S13：

S13：将图像数据以80％的概率进行弹性扭曲，然后跳至步骤S14；

S14：将图像数据进行(50％，80％)范围的缩放处理，完成数据扩增处理。

由于设备、成像条件等因素的影响，数据集中图片的亮度不均匀或者生物目标由于过亮或者过暗，使其对比度不高，因此，我们对图像进行归一化处理。归一化在提高与背景的对比度的同时，可以极大得保留生物目标本身特性，从而在后续的深度神经网络中分割出来，归一化处理如下：

S15：计算测试集和扩增处理后的训练集中图像数据的均值和标准差，按对比度归一化公式处理图像的对比度，其中对比度归一化公式表示为：

I＝(I-Mean)/Std；

其中，I表示图像的对比度，Mean表示图像数据的均值，Std表示图像数据的标准差；在本实施例中图像数据指的是数据集中图像的对比度。

集中性损失函数L_focal表示为：

其中，α为常数，为应对类别不平衡的因子；γ为大于0的参数，为控制难易样本对损失函数的贡献差距的参数；y(x)表示输入特征图；p(x)表示像素x处的值；其中，对于正样本，p(x)越大说明是简单样本，对应的(1-p(x))^γ越小，从而降低其对损失函数的贡献；p(x)越小说明是困难样本，对应的(1-p(x))^γ越大，加大其在损失函数的占比

改进的U-net网络结构，如图2所示，其中C1～C9分别对应第一可变形卷积层～第九可变形卷积层，P1～P4分别对应第一最大池化层～第四最大池化层，R1～R4分别对应第一重构上采样层～第四重构上采样层，C10～C19分别对应第一常规卷积层～第十常规卷积层，需要说明的是，第十常规卷积层的卷积核个数为类别数目。图2中左边部分(从输入层到C9)为编码器部分，白色方框代表了编码器部分的特征图；将归一化后的图像作为输入，初始的两个可变形卷积层C1、C2的卷积核个数为16，每经过一次最大池化层，特征图的分辨率会缩小一半，跟随池化层后面的两个可变形卷积层的卷积核个数为该池化层前面的两个可变形卷积层的卷积核个数的两倍。可变形卷积可通过以下公式进行表达：

其中，y(p0)表示输出特征图y中像素p0的值，x(p0+pn+Δpn)表示输入特征图x中像素的p0+pn+Δpn值，pn表示卷积位移参数，R为pn的值域，表示为R＝{(-1,-1)，(-1,0)，(-1,1)，(0,-1)，(0,0)，(0,1)，(1,-1)，(1,0)，(1,1)}，Δpn为偏移量，通常是小数的，所以x(p0+pn+Δpn)可以通过双线性插值来求得。

可变形卷积的结构如图3所示，可变形卷积通过额外的卷积对输入特征图进行操作，对于大小为h×w×c的输入特征图，首先经过两个卷积核个数为18的卷积层，第一个卷积层的激活函数为指数线性单元(Exponential Linear Unit，ELU)激活函数，与修正线性单元(rectified linear unit，ReLU)激活函数不同的是其在输入为负值的时候仍有输出，这样就能保留更多的信息输入给第二个卷积层，第二个3×3卷积层的激活函数由双曲正切函数(tanh)代替，从而将输出映射到(-1，1)之间，对应于偏移量在(-1,1)之间；

第二个卷积层得到的新特征图又被重构成3h×3w×2的偏移域，其两个通道分别对应于x坐标偏移量和y坐标偏移量，每3×3的区域代表一次卷积的偏移量(对应可变形卷积中的Δp_n)。偏移域与网格域相加得到了p₀+p_n+Δp_n，并对输入特征图进行双线性插值操作，使输入特征图的分辨率扩大三倍，并经过d个步长为3的卷积，产生输出特征图，d为图2中可变形卷积核的个数；可变形卷积可以根据数据自适应的改变感受野从而适应图像的几何变化，并且计算量增加得很小；在训练过程中，同时学习获得偏移域的额外卷积核和获得输出特征图的卷积核，为了学习偏移量，梯度可以通过双向性插值运算的公式后向传播。

图2中右边部分(从C10到C19)为解码器部分，灰色方框代表了解码器部分产生的特征图。由C9的输出作为输入，C10的卷积核个数与C9的一样，同为256，每经过一次重构上采样层，特征图的分辨率会扩大两倍。重构上采样方法的结构图如图4所示，对于分辨率为h×w，通道数为c的特征图，首先通过2c个1×1的卷积将其通道数增大2倍，然后经过数据组标准化操作和ReLU激活函数，得到了h×w×2c的新特征图。然后，将该新特征图分为c/2个部分(在图4中用不同的灰度表示)，对每一部分进行重构操作，h×w×4的特征图就变为2h×2w×1，最终生成2h×2w×c/2的特征图，即上采样特征图，由此完成分辨率扩大两倍，通道数缩小一半的上采样过程。重构上采样方法通过直接在输入特征图上卷积来预测上采样特征图中的每个像素的值，它是可学习的并且不需要填充零，因此，该方法比反卷积和双线性插值的上采样方法更为有效；另外，1×1卷积的轻量级的，因此该方法的参数和计算量也都小于其它两种方法。

将C19的输出经过softmax函数转化为类别概率图。

除了特殊说明之外，本发明所使用的卷积都为3×3，步长为1，激活函数为ReLU；卷积层都通过补零的方式得到同样分辨率的特征图。

在训练时，通过集中性损失函数计算分类概率图与金标准的误差，并通过梯度后向传播，采用Adam优化算法对模型的权重参数进行更新，最终获得该神经网络的收敛模型。

在测试时，加载训练好的网络模型，输入任意大小且归一化处理后测试图像，改进的U-net网络结构的输出经过softmax层生成分类概率图。

实施例1

在本实施例中，采用TensorFlow开源深度学习库，使用NVIDIA Tesla M40GPU进行加速，使用Adam优化算法训练模型，初始学习率为0.001，采用用“poly”学习率衰减策略，并且采L2正则化(衰减因子为0.0005)以降低过拟合情况；采用ISBI 2012电子显微镜细胞分割挑战赛提供的Drosophila EM数据集进行实验。

本实施例的训练数据集由果蝇一龄幼虫中枢神经干细胞在电子显微镜下的30张连续切片组成，每一张包含512×512个像素并且有一张分割的金标准与之对应；如图5-6所示，在金标准图像中，白色代表细胞，黑色表示细胞膜，测试集由另外三十张图像构成。由于深度学习需要大量的数据进行训练，这里采用随机翻转、旋转和弹性扭曲等数据增强方法，以增加训练集的图像数量。

本实施例中，采用ISBI比赛组织者提出了两个评价指标，即V_Rand和V_Info。这两个指标越接近于1，表示分割得越精准。从表1可以看出，与U-net相比，本发明方法所使用模型参数减少了30M，并且V_Rand和V_Info都有所提升，并且本方法的V_Rand较于U-net提高了0.57％，达到了97.84％。集中性损失函数较损失函数同样不需要计算一个复杂的权重图，所以训练时间大大减少。

进一步的，如图7箭头所示，细胞核的边界与细胞边界非常接近，导致该处的细胞边界很难检测出来。如图8所示，本发明方法采用集中性损失函数却能准确的分类，可以较好地保证细胞边界的连续性，这在细胞分割中是非常重要的。

表1本文方法与U-net方法在EM数据集实验对比

表2展示了本文方法与ISBI细胞分割比赛排行榜上一些出色的结果的对比情况。其中，M2FCN方法采用多阶段网络结构，训练过程非常复杂。其它方法则都运用了后处理或者多训练模型平均的方法来提高分割效果。从指标V_Rand来看，本发明方法效果最好，从指标V_Info来看，FusionNet方法最佳。事实上，IALIC和CUMedVision中所使用的后处理方法也可应用在本发明的方法中，以增强分割性能。同时，本发明可以像FusionNet那样采用ResNet结构，进而可以继续增加模型的深度，提高模型的鲁棒性。

表2本发明方法与其它方法在EM数据集实验对比

实施例2

本实施例中，与实施例1不同的是采用GLand Segmentation(GLaS)挑战赛提供Warwick-QU数据集进行实验。该数据集包含165张原始图像(染色后)，每张图像都有一张由专家标注的金标准图像与之对应，这里用训练集中的85张图像用来训练，用测试集A和测试集B进行验证。

在训练时，原始图像被随机剪裁512×512大小(当原始图像的长或宽小于512，对其填充0)的图像块，这样不仅可以保证训练时每一个批量中图像大小一致，同时也作为数据增强的一种方法，减少过拟合。此外，本方法采用了和Drosophila EM data实验相同的数据增强方法。

这里使用F1分数和Object Hausdorff作为评价指标，其中F1分数其被用来评估腺体检测，一个被分割出的个体与其金标准至少有50％的重叠区域，则被认为是真阳性，否则被记为假阳性，如果一个金标准个体没有分割出的个体与其重叠或者重叠面积小于50％，则被记为假阴性；

Hausdorff距离可以被用来对分割个体与金标准个体进行形状相似性度量，该指标越小表明分割结果与金标准有更大的形状相似性，分割效果越好。

如表3所示，本发明的分割结果比采用Freiburg方法的分割结果在两个测试集上的F1分数分别提高了0.023和0.027，表明本发明方法在腺体检测上更加优秀。注意到所有的方法在测试集B的结果要远远差于测试集A，主要原因在于测试集B中恶性病例所占80％，其无规则且复杂的结构使腺体检测变得更加困难。通过观察表3，本发明方法在测试集A上的Object Hausdorff提升的最多，说明我们的分割结果和金标准有更高的形状相似性，证明了可变形卷积对目标形变有更强的学习能力。

表3本发明方法与其它方法在Warwick-QU数据集上实验结果对比

综上实验表明，本发明不仅是有效的，而且与现有的同类方法相比，具有明显的优势。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，包括以下步骤：

S1：将生物医学数据集分为训练集和测试集，对训练集进行数据扩增处理，并对测试集和扩增处理后的训练集进行归一化预处理；

S2：将训练集的图像输入改进的U-net网络模型，输出图像经过softmax层生成一个通道数为2的分类概率图，其中分类概率图与输入图像的分辨率相同；

S3：通过集中性损失函数计算分类概率图与金标准的误差，并通过梯度后向传播方法，获得改进的U-net网络模型的权重参数；

S4：将测试集中的图像输入S3中训练好的改进的U-net网络模型，输出图像经过softmax层生成分类概率图；

S5：根据分类概率图中的类别概率，取概率最大的类别作为该像素位置的类别，得到图像的分割结果图。

2.根据权利要求1所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，步骤S1具体包括：

S11：将训练集中的图像数据进行旋转，旋转角度在(-20°，20°)之间，截取旋转后的图像数据的最大矩形；

S12：将旋转后的图像数据以80％的概率进行上下翻转和左右反转，然后跳至步骤S13：

S13：将图像数据以80％的概率进行弹性扭曲，然后跳至步骤S14；

S14：将图像数据进行(50％，80％)范围的缩放处理，完成数据扩增处理；

S15：计算测试集和扩增处理后的训练集中图像数据的均值和标准差，按对比度归一化公式处理图像的对比度，其中对比度归一化公式表示为：

I＝(I-Mean)/Std；

其中，I表示图像的对比度，Mean表示图像数据的均值，Std表示图像数据的标准差。

3.根据权利要求1所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，改进的U-net网络模型包括可变形编码器和具有重构上采样结构的解码器网络组成，可变形编码器的组成依次包括输入层、第一可变形卷积层、第二可变形卷积层、第一最大池化层、第三可变形卷积层、第四可变形卷积层、第二最大池化层、第五可变形卷积层、第六可变形卷积层、第三最大池化层、第七可变形卷积层、第八可变形卷积层、第四最大池化层、第九可变形卷积层；具有重构上采样结构的解码器网络包括第一常规卷积层、第一重构上采样层、第二常规卷积层、第三常规卷积层、第二重构上采样层、第四常规卷积层、第五常规卷积层、第三重构上采样层、第六常规卷积层、第七常规卷积层、第四重构上采样层、第八常规卷积层、第九常规卷积层、第十常规卷积层即输出层；第一常规卷积层与第九可变形卷积层连接，第一重构上采样层与第八可变形卷积层进行拼接，第二重构上采样层与第六可变形卷积层进行拼接，第三重构上采样层与第四可变形卷积层进行拼接，第四重构上采样层与第二可变形卷积层进行拼接；在每个可变形卷积层和常规卷积层的激活函数之前，均加入组标准化。

4.根据权利要求3所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，可变形卷积层的操作包括：

S21：将大小为h×w×c的特征图输入可变形卷积层中，使用激活函数为elu的卷积层对特征图进行卷积；

S22：将S21中的卷积结果输入激活函数为rule的卷积层进行卷积操作；

S23：对S22的卷积结果进行重构操作，生成3h×3w×2的偏移域；

S24：利用偏移域对特征图进行双线性插值，生成3h×3w×c的特征图；

S25：将3h×3w×c的特征图输入卷积核个数为d、步长为3的3×3卷积层，得到h×w×d的特征图即可变形卷积的输出。

5.根据权利要求3所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，重构上采样层的操作包括：

S31：对于分辨率为h×w，通道数为c的特征图，首先通过2c个1×1的卷积将其通道数增大2倍；

S32：S31输出的特征图经过组标准化操作和relu激活函数，得到了h×w×2c的特征图；

S33：将S32得到的特征图分为c/2个部分，每个部分为h×w×4，对每个部分进行重构上采样，最终生成2h×2w×c/2的特征图，由此完成分辨率扩大两倍，通道数缩小一半的上采样过程。

6.根据权利要求1所述的基于U-net网络结构的生物医学图像自动分割新方法，其特征在于，所述集中性损失函数L_focal表示为：

其中，α为常数，为应对类别不平衡的因子；γ为控制难易样本对损失函数的贡献差距的参数，且γ>0；y(x)表示输入特征图x；p(x)表示输入特征图x的像素点，Ω为输入特征图x的值域。