[发明专利]基于深度学习的肝脏肿瘤分割方法及系统

权利要求书

1.一种基于深度学习的肝脏肿瘤分割方法，其特征在于，包括如下步骤：

步骤S1：对收集到的数据集进行预处理；

步骤S2：根据预处理后的数据搭建网络模型，其中所述网络模型包括多个下卷积层和多个上卷积层，所述下卷积层通过跳跃连接至所述上卷积层，且在跳跃连接上将所述下卷积层得到的特征图通过注意力模块与所述上卷积相连；

步骤S3：将预处理后的数据输入到所述网络模型中进行训练得到最佳的网络模型；

步骤S4：利用所述最佳的网络模型对待处理的CT图像进行分割得到肝脏肿瘤区域。

2.根据权利要求1所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：对收集到的数据集进行预处理的方法：找到肝脏区域开始和结束的位置，将数据集中CT图像的HU值限定在指定范围，对CT图像进行标准化处理；对所述CT图像进行切片处理。

3.根据权利要求1所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：所述下卷积层包含多个卷积层、归一化层、修正线性单元，以及最大池化层。

4.根据权利要求1所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：所述上卷积层包括多个卷积层、归一化层、修正线性单元和上采样层。

5.根据权利要求1所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：所述注意力模块是通过可变形卷积来获取肝脏肿瘤的几何信息，同时对卷积过后得到的特征图进行处理，得到输出特征图。

6.根据权利要求5所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：对卷积过后得到的特征图进行处理的方法为：在跳跃连接上通过卷积变成多个新的特征图，获取图像边界的高级信息，计算得到特征概率图，对所述特征概率图进行加权，将加权得到的结果与通过可变形卷积模块得到的特征图求和得到输出特征图。

7.根据权利要求1所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：所述网络模型还包括深度监督模块。

8.根据权利要求7所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：所述深度监督模块为：在每个反卷积阶段结束后，根据对应的缩放因子把得到的特征图上采样回原来大小，进行该阶段的loss计算，然后再把每次的loss分配相应权重进行求和。

9.根据权利要求1所述的基于深度学习的肝脏肿瘤分割方法，其特征在于：将预处理后的数据输入到所述网络模型中进行训练的方法为：先将数据输入至搭建的网络模型中，通过前向传播对网络模型进行训练，然后通过softmax分类器输出预测的概率图，并选择损失函数；根据所述损失函数得到的计算误差，进行反向传播，更新网络模型中参数的值；重复上述过程直到损失函数值收敛到设定范围；对得到的网络模型进行验证，得到最佳的网络模型。

10.一种基于深度学习的肝脏肿瘤分割系统，其特征在于，包括：

预处理模块，用于对对收集到的数据集进行预处理；

搭建模块，用于根据预处理后的数据搭建网络模型，其中所述网络模型包括多个下卷积层和多个上卷积层，所述下卷积层通过跳跃连接至所述上卷积层，且在跳跃连接上将所述下卷积层得到的特征图通过注意力模块与所述上卷积相连；

训练模块，用于将预处理后的数据输入到所述网络模型中进行训练得到最佳的网络模型；

分割模块，用于利用所述最佳的网络模型对待处理的CT图像进行分割得到肝脏肿瘤区域。