[发明专利]基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法

权利要求书

1.一种基于双路径U-net卷积神经网络的PET/CT图像中高代谢淋巴结的分割方法，其特征在于，包括如下步骤：

步骤1，实验数据的获得与处理；

所述步骤1的具体过程包括：步骤1.1，同时阅读淋巴瘤患者平扫CT横断连续层面图像和相对应的PET/CT融合横断连续层面图像，应用画图软件，把FDG摄取高于本底的所有淋巴结在CT图像上勾勒出轮廓；

步骤1.2，随机选取步骤1.1中的部分图像作为训练样本，其余图像作为测试样本，对训练样本进行数据增强处理，扩增训练样本；所述步骤1.2中的每个训练样本包括CT图，PET图和标记图，调整CT图、PET图像和标记图的尺寸，使之保持一致；

步骤2，构建双路径U-net卷积神经网络；所述步骤2的具体过程为：更改U-net的网络结构，将单路径输入改为双路径输入；

步骤3，训练双路径U-net卷积神经网络；

步骤4，采用训练好的双路径U-net卷积神经网络对PET/CT图像中高代谢淋巴结进行分割，得到分割结果；

所述步骤3中训练双路径U-net卷积神经网络的方式包括训练方法和损失函数，所述训练方法为Adam优化方法，所述损失函数为交叉熵函数，所述交叉熵函数为加权交叉熵函数；

所述加权交叉熵函数为：

其中P_i表示像素i属于前景的概率，代表了样本实际所属类别，N代表了样本的数量，w^class类是指不同类别样本的惩罚系数；

所述更改U-net的网络结构，将单路径输入改为双路径输入的操作方法为：设计一条与原收缩路径对称的另一条收缩路径，选取其中一条路径作为CT图像的输入，另一条作为PET图像的输入。

2.根据权利要求1所述的PET/CT图像中高代谢淋巴结的分割方法，其特征在于，所述步骤1.2中对训练样本进行数据增强处理的方法为：采用随机旋转、缩放、镜面处理、加入噪声信号方式，扩增训练样本，以减少过拟合现象。

3.根据权利要求1所述的PET/CT图像中高代谢淋巴结的分割方法，其特征在于，所述步骤4的具体过程包括：当双路径U-net卷积神经网络训练好后，利用训练好的模型对任意PET/CT横断图像进行高代谢淋巴结的分割。