[发明专利]基于深度神经网络的交互式肝脏图像分割方法

权利要求书

1.一种基于深度神经网络的交互式肝脏图像分割方法，包括如下步骤：

S1.采用LITS数据集作为训练数据，并对LITS数据集中的数据进行预处理；

S2.选定预分割网络和修复网络，并对选定的网络模型进行优化；

S3.对步骤S1中预处理后的数据进行再处理，从而解决数据不均衡的问题；

S4.在空间域上对特征图中需要加强相应的像素进行增强并得到初步分割结果，从而突出特征提取结果，进而提升分割精度；

S5.对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，并将所述的能够进行多通道融合的图像、原图和初步分割结果一同作为修复网络的输入数据；

S6.采用修复网络对初步分割结果进行进一步修复，从而得到最终的肝脏图像分割结果。

2.根据权利要求1所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S1所述的对LITS数据集中的数据进行预处理，具体为获取的肝脏图像数据信息，剪切出感兴趣的区域，然后统一图像数据的分辨率，最后对统一分辨率后的图像重采样至设定体素，从而得到一个序列图像。

3.根据权利要求2所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S2所述的选定预分割网络和修复网络，具体为选定DenseVnet网络作为预分割网络和修复网络。

4.根据权利要求3所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S3所述的对步骤S1中预处理后的数据进行再处理，具体为利用NVIDIA聚合通信库NCCL2.x中的算法，实现跨GPU同步BatchNormalization，扩大Mini batchsize，解决正负样本比例严重不均衡等问题。

5.根据权利要求4所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S4所述的在空间域上对特征图中需要加强相应的像素进行增强，具体为利用注意力机制，在空间域上，对特征图中越需要加强响应的像素赋以越大的权重。

6.根据权利要求5所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S5所述的对步骤S4得到的初步分割结果进行变换，从而将交互式操作信息转换为能够进行多通道融合的图像，具体为对步骤S4得到的初步分割结果，采用测地距离变换将交互式操作信息转换为能够进行多通道融合的图像。

7.根据权利要求6所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于所述的测地距离变换，具体为采用如下算式作为测地距离变换公式：

式中min为取最小值操作；Ω_i为用户交互的前景点或背景点；x为图像中的任意一个体素点；l为体素点坐标；F为前景点坐标集合；B为前景点坐标集合；d(s,x)的计算公式为其中C_s,x(p)表示连接s和x的路径，W为融入交互信息的权重。

8.根据权利要求7所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于在训练阶段，将交互式操作的种子点设定为预分割结果与GroundTruth差别区域的随机位置，且种子点个数与差别区域像素个数之间满足如下算式：

式中N为种子点个数，n为差别区域的像素个数。

9.根据权利要求8所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于步骤S6所述的采用修复网络对初步分割结果进行进一步修复，具体使用Dense CRF算法，对分割结果中出现的空洞和杂质区域进行优化。

10.根据权利要求9所述的基于深度神经网络的交互式肝脏图像分割方法，其特征在于所述的Dense CRF算法，具体为采用如下算式作为能量函数表达式：

式中为每一个体素只与自身类别相关的Unary能量函数；为每一个体素的类别信息与其他所有体素的类别信息的相关信息。