[发明专利]一种基于深度学习的CT图像中肾脏分割方法

说明书

本发明公开了一种基于深度学习的CT图像中肾脏分割方法，包括以下步骤：输入CT图像组；对图像组中各图像进行归一化处理；生成肾脏的位置编码图，并将带有位置编码图与各图像进行叠加；对各图像进行卷积，确定感兴趣位置区域，与处理后的各图像进行像素哈达码积，获得分割后的图像；输出端二值化图像；将得到的图像与归一化处理后的各图像进行哈达码积，确定输出分割出肾脏部分的图像。本发明通过在神经网络训练图像的时候加入了位置编码，能够很好地区分和解决脾脏和肾脏难以区分的问题；另外，使用了注意力机制，不仅能够让网络拟合收敛速度更快，更使网络能够注意到肾脏位置区域，从而排除了脾脏的干扰。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于深度学习的CT图像中肾脏分割方法。

背景技术

随着互联网上图像数据的大规模增长，图像分割技术受到广泛的关注和应用。尤其是在医学领域的分割上，医生的分割成本高分割效率低，以及分割标准参差不齐，

现有的医学分割技术普遍基于传统计算机视觉技术，将CT值 (-1000Hu,1000Hu)投射到RGB空间(0～255)上，手动提取特征，根据医生的经验采用启发式算法，用提取出来的特征进行降维和机器学习算法等操作。这样的方法有很多优点，例如医生的经验能够很好地实现自动化，又如，以随机森林和SVM为代表的以系列机器学习算法具有可解释性和具有相对最优解，并且对于数据量的要求不是很高，大概几十条或者几百条就能够得到表现优良的模型，但对于新数据的预测上表现极为不理想，尤其是在多中心验证上取得的成绩很不理想。

从目前的研究来看，近年来解决这些问题的方法已经从传统的计算机视觉领域，转移到深度学习与计算机视觉相结合，深度学习方法具有很多优点，高鲁棒性就是其中重要一条。

例如，神经网络Unet做分割确实有一定效果，但是对于形状类似，CT 值类似的图像，如图1所示，肾脏、脾脏会出现混淆，有鉴于此，亟需提供一种对于CT图片可准确识别分割出肾脏的方法。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种基于深度学习的CT图像中肾脏分割方法，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；

S5、输出端二值化图像；

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

在上述方法中，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。

在上述方法中，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。

在上述方法中，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)

其中，(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；