[发明专利]一种基于深度学习的CT图像中肾脏分割方法

权利要求书

1.一种基于深度学习的CT图像中肾脏分割方法，其特征在于，包括以下步骤：

S1、输入CT图像组；

S2、对图像组中各图像进行归一化处理；

S3、生成肾脏的位置编码图，并将带有位置编码图与步骤S2中各图像进行叠加；

S4、对步骤S3中的各图像进行卷积，确定感兴趣位置区域，并对感兴趣位置区域与处理后的各图像进行像素Hadmard Product，获得分割后的图像或特征图像；其中，所述感兴趣区域(ROI)与处理后的各图像进行像素Hadmard Product计算如下：

f_1up＝concat(f_2up，f_2down)*f_2attention；

f_2up＝concat(f_3up，f_3down)*f_3attention；

f_3up＝concat(f_4up，f_4down)*f_4attention；

其中，f_1～4up是上采样1～4层卷积输出特征图像；f_2～4down是下采样2～4层输出图像；f_{2～4attention}是经过了一层卷积和池化的特征图像；

S5、输出分割后的图像或特征图像的二值化图像；

S6、将步骤S5得到的二值化图像与步骤S2中的各图像进行Hadmard Product，确定输出分割出肾脏部分的图像。

2.如权利要求1所述的方法，其特征在于，还包括步骤：设定损失函数，选取多个模型进行训练，将训练好的模型建立模型集合，通过模型集合中模型分别对图像组进行分割，使用模型融合技术，将多个模型的结果进行以投票的方式进行融合，得到最终的分割结果。

3.如权利要求1所述的方法，其特征在于，所述对图像组中各图像进行归一化处理计算如下式：

式中，I_origin代表原始图像，I_normal表示归一化后的图像。

4.如权利要求1所述的方法，其特征在于，所述位置编码生成具体如下：

PE(i，j)＝cos(β*eⁱ)+sin(β*e^j)，i∈(0，511)，j∈(0，511)

式中，(i，j)代表肾脏像素点坐标，PE函数是关于(i，j)的位置函数；β为超参数，用来调整不同位置的频率大小；

将所述位置编码图与处理后的各图像相加，计算式为：

I_new＝I_normal(i，j)+α*PE(i，j)

其中，α为用来调整归一化处理后的原图像和位置信息的比例。

5.如权利要求1所述的方法，其特征在于，所述二值化图像具体为：勾勒出肾脏轮廓的二值化图像用0与1值进行区分。

6.如权利要求1所述的方法，其特征在于，所述CT图像组为3张连续CT图像。