[发明专利]一种基于Unet和LSTM的3D医学影像识别和分割方法

说明书

本发明公开了一种基于Unet和LSTM的3D医学影像识别和分割方法，包括：医学影像预处理阶段：读取3D格式医学影像，将其按z轴向分解成2D的影像序列，在2D层面对影像数据进行z‑score归一化处理；分割网络训练阶段：使用归一化处理的2D图像序列样本划分训练集进行训练，将U‑net的中间层输出单独取出作为中间变量序列，使用中间变量序列训练LSTM网络；分割网络识别和推断阶段：将样本输入网络获得像素级分割输出，把输出序列合并为3D矩阵获得最终结果。本发明在3D医学影像的识别方面，采用将其分割为2D序列并结合循环网络处理中间变量的方式，降低了计算量，提高了识别工作的效率。

技术领域

本发明涉及基于神经网络的医学影像的识别和分割技术，特别涉及一种基于U型网络(Unet)和长短期记忆网络(Long Short-Term Memory，LSTM)的3D医学影像的识别和分割方法。

背景技术

在平时的医疗工作以及临床试验中，医学影像的应用十分普及，并且人工神经网络的方法也在医学影像方面提供了很大帮助。一般的，使用医学影像的意义在于测量和记录，所以它的数据包含了很强的定位特性(比如，肿瘤，胎儿的影像等)，由相关精密仪器，利用光学、声波等各种成像原理，对人体内的器官组织进行影像化，从而对人体组织的物理性质、结构上的特点与当前的工作状态作出判断。

如今的医学影像，逐渐从平面趋向于立体，从单模态趋向于多模态，例如mha等格式的脑部3D医学影像，在xyz三个轴向上都能对肉体组织有比较清晰的影像化数据。3D医学影像数据量大，3D神经网络的方式处理计算效率低，而2D影像的分割结果在z轴维度上缺乏很好的上下文联系。

发明内容

本发明的目的是针对现有技术的不足而提供的一种基于Unet和LSTM的3D医学影像识别和分割方法，该方法结合2D、3D影像数据处理的优缺点，提出进一步改进的，使得3D医学影像的识别工作效率和质量得到了提高。

实现本发明目的的具体技术方案是：

一种基于Unet和LSTM的3D医学影像识别和分割方法，该方法包括以下具体步骤：

步骤1：医学影像预处理

读取3D格式医学影像数据，将其按z轴向分解成2D的影像序列，对所述影像序列进行归一化处理；

步骤2：分割网络训练

所述分割网络包括Unet特征提取部分、LSTM网络部分和Unet上采样部分，以2D影像序列作为输入，输出2D分割结果序列，具体如下：

将处理后的2D影像序列样本划分训练集和验证集，将训练集样本输入Unet特征提取部分，将Unet的中间层输出即中间变量单独取出组成中间变量序列，使用中间变量序列输入LSTM网络得到重建中间变量序列，使用重建中间变量序列输入Unet上采样部分得到2D分割结果序列，根据2D分割结果序列计算损失函数，使用梯度回传算法更新Unet和LSTM网络的参数；

步骤3：分割网络识别和推断

将样本输入分割网络获得2D分割结果序列，把2D分割结果序列合并为3D分割结果输出。

所述的医学影像包括但不限于MRI，模态包括但不限于T1、T2或FLAIR。

步骤1所述对影像序列进行归一化处理是对2D影像序列中的每一个2D影像，分别进行z-score归一化处理。

步骤2所述中间变量序列为2D影像序列中的每一个2D影像，经过Unet特征提取部分后输出的中间变量组成的序列。

本发明的有益效果在于：

高效性：本发明通过将3D医学影像处理为2D序列，改善了三维卷积操作中，参数数量大带来的效率低下缺点。