[发明专利]一种基于先验形状约束的BCA-UNet肝脏分割方法

说明书

本发明涉及计算机视觉技术领域，具体涉及一种基于先验形状约束的BCA‑UNet肝脏分割方法，包括以下步骤：输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将预处理后的肝脏CT图像输入训练好的肝脏分割模型中，得到肝脏分割结果。本发明采用优化的主动轮廓损失函数计算高维特征的损失，融合两个网络中间特征作为下一层注意力信号，用于约束分割网络(BCA‑UNet)，误差反向传播逐层优化，避免了边缘轮廓的丢失。此外，本发明的肝脏分割模型对图像边缘轮廓较敏感，提高了分割的精度，缩小了表面距离误差。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于先验形状约束的BCA-UNet肝脏分割方法。

背景技术

准确地肝脏分割在临床应用中至关重要，比如肝脏疾病的病理诊断、手术计划和术后评估。但肝脏分割仍然是一项具有挑战性的任务。首先，肝脏图像存在边缘模糊、灰度不均等问题；其次，基于深度卷积神经网络的肝脏分割，存在池化运算和叠加的卷积运算造成的肝脏边缘轮廓信息丢失问题。最后，三维肝脏数据分割方法存在消耗大计算资源的问题。

现有的肝脏分割方法可以分为基于模型驱动的传统方法和基于数据驱动的深度学习方法。基于模型驱动的传统分割方法的主要思想是：通过构建能量模型，设置初始轮廓，循环迭代，从而得到较好的分割结果。其具有代表性的方法是基于水平集的肝脏分割方法。基于水平集的分割方法通过与活动轮廓模型相结合，再通过求解模型的偏微分方程，完成肝脏轮廓的分割。随着数据量的增加，深度学习在肝脏图像分割上日益引起研究者的关注。基于数据驱动的深度学习方法的主要思想是：通过构建分割网络，使用数据进行训练、测试，便可得到分割结果。其具有代表性的方法有：Unet,H-DenseUnet,BCDU-Net,Bottleneck feature Supervised U-Net network等。由于肝脏图像存在边缘模糊、灰度不均等问题，使用经典的Unet二维分割网络对上下文信息丢失问题有所改善，但是仍存在空间信息提取不充分问题。相比之下，ConvLSTM与Unet相结合，利用ConvLSTM结构中的记忆单元，存储网络中的信息，在一定程度上解决了空间信息丢失问题,但是会面临图像信息的冗余。2017年，相关文章出现Attention Gate结构与Unet相结合的方法，因其网络参数量小，分割步骤简单，能缓解信息冗余的方法。2018年，相关文章出现ConvLSTM与Unet集成的方法，能有效学习图像全局信息与局部信息的完整性。因此，将Attention Gate以及ConvLSTM与Unet集成以分层的方式学习上下文信息的研究思路受到了关注。此外，自编码网络能将图像高维空间隐藏的信息映射到低维空间，从而能表达全局信息。近年来，一些研究者将自编码网络用于抽取形状特征，作为形状先验知识，与分割网络相结合，通过损失函数最小化反向传播误差，在一定程度上解决了边缘轮廓模糊问题。针对待分割图像与周围组织存在的灰度不均匀、边缘模糊等挑战性问题，基于深度学习的分割方法虽然提出了许多改进思路，但边缘轮廓丢失问题依然是一个挑战性的难题。

发明内容

为了解决上述问题，本发明针对现有的Unet网络肝脏分割方法中存在的特征信息提取不充分、肝脏边缘轮廓模糊等缺陷，提供一种基于先验形状约束的BCA-UNet肝脏分割方法。

一种基于先验形状约束的BCA-UNet肝脏分割方法，包括以下步骤：输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将预处理后的肝脏CT图像输入训练好的边缘敏感特征融合的肝脏分割模型中，得到肝脏分割结果。所述边缘敏感特征融合的肝脏分割模型先训练后使用，训练过程包括：

S1、利用Xavier方法初始化BCA-UNet网络；

S2、将预处理后的肝脏CT图像输入肝脏分割模型中，在主分割网络中经过7个卷积层和3个池化层进行特征提取，最终得到肝脏序列数据的第一高维特征；在先验形状约束网络中抽取肝脏CT图像的形状信息，提取第二高维特征；

S3、将主分割网络提取的第一高维特征与先验形状约束网络提取的第二高维特征进行融合，得到融合结果，即特征图；