[发明专利]一种肝脏以及肝脏肿瘤的图像分割方法和装置

权利要求书

1.一种肝脏以及肝脏肿瘤的图像分割方法，其特征在于：其包括以下步骤：

(1)获取腹部磁共振影像；

(2)使用肝脏模型确定感兴趣区域，肝脏模型为空洞三维残差U形神经网络Dial3DResUNet，其结合长短程跳跃连接结构以及混合空洞卷积，充分捕获图像全局结构信息从而进行精准的肝脏分割；

(3)使用肝脏肿瘤模型进行精细分割以减少假阳性，肝脏肿瘤模型为混合三维卷积神经网络H3DNet，其由混合三维Hybrid-3D卷积组成，在有效提取肝脏肿瘤三维特征的同时大幅度减少模型参数量，并降低模型优化难度以及过拟合风险。

2.根据权利要求1所述的肝脏以及肝脏肿瘤的图像分割方法，其特征在于：所述步骤(2)中，肝脏模型仅用三个降采样层，此时基础模型在编码器末端的感受野大小为90*90*90；为了在模型编码器的深层部分提取到图像不同位置之间的长程依赖关系，加入空洞卷积。

3.根据权利要求2所述的肝脏以及肝脏肿瘤的图像分割方法，其特征在于：所述空洞卷积为混合空洞卷积：将基础模型编码器部分的第二个降采样层后连续的三个卷积层的空洞率分别设置为1、2、4，将第三个降采样层后连续的三个卷积层空洞率分别设置为3、4、5；将加入空洞卷积后的模型称为Dial3DResUNet，其在编码器末端感受野提升至266*266*266。

4.根据权利要求3所述的肝脏以及肝脏肿瘤的图像分割方法，其特征在于：所述步骤(2)中，对于模型解码器部分，在每个stage末端引入辅助损失，形成深度监督机制。

5.根据权利要求4所述的肝脏以及肝脏肿瘤的图像分割方法，其特征在于：所述步骤(3)中，具体包括以下步骤：

(a)在训练样本采样规则上，根据肿瘤金标准，找到每一个肿瘤的三维包围盒，并在三个维度上均向外扩张一定的比例，在训练采样时，仅在这些膨胀过的三维立方体内随机的采出固定大小的block进行训练；

(b)从卷积模块上，提出Hybrird-3D卷积，其将一层3D卷积解耦为两层，分别为intra-slice卷积和inter-slice卷积，前者负责提取输入张量中XY方向上的特征，后者负责对Z轴方向上的特征进行融合。

6.根据权利要求4所述的肝脏以及肝脏肿瘤的图像分割方法，其特征在于：所述步骤(3)中，

一个3D卷积层表示为Conv(I,O,D,H,W)，一个Hybrid-3D模块表示为Conv(I,M,1,H,W)+Conv(M,O,D,1,1)，其中I代表输入特征图通道数量，M代表中间层特征图的通道数量，O代表输出层特征图的通道数量，D、H、W分别表征Z、X、Y三个正交维度上使用的卷积核大小；在D、H、W都设为3的情况下，3D卷积总参数量为27*I*O，Hybrid-3D的总参数量为9I*M+3M*O；超参数M控制Hybrid-3D整体参数量，将其设定为与输入通道数相同，因此Hybrid-3D模块仅有3D卷积44％的参数量；

保留基础模型中的第一个和最后一个stage以及其余每一个stage中的第一个卷积层不变，并将其余的3D卷积全部替换为Hybrid-3D卷积，称替换后的模型为H3DNet；模型参数量替换前为8.4M，替换后为5.0M。

7.根据权利要求1-6任一项所述的肝脏以及肝脏肿瘤的图像分割方法，其特征在于：所述步骤(3)之后还包括根据公式(1)进行模型训练，

其中N为输入张量中的体素总数；pred为肿瘤概率图；target为金标准；∈为防止除零错的常数项，设定为1e^-5；

为了进一步防止过拟合，在两个网络模型中除去第一个和最后一个之外的每一个stage末端加入了dropout层，其中随机丢弃比例统一设置为0.3；对于激活函数，使用PReLU，并将斜率始化为0.25；使用He初始化对模型权重进行初始化。