[发明专利]基于深度学习的肝脏肿瘤分割方法及系统

说明书

本发明涉及一种基于深度学习的肝脏肿瘤分割方法及系统,包括：对收集到的数据集进行预处理；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；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；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。本发明有利于减少失误的分割，取得较高的精度。

技术领域

本发明涉及医学图像处理和应用的技术领域，尤其是指一种基于深度学习的肝脏肿瘤分割方法及系统。

背景技术

近年来，随着现今社会的发展，CT/MRI成像已被广泛应用到医学成像领域。医生在进行诊断前往往需要将CT/MRI图像中病变区域进行手工分割，以便为后续的手术规划和肿瘤治疗评估提供帮助。然而，这种手动分割方法不仅耗时耗力，还容易受到医生主观判断导致的分割差异。因此利用计算机算法实现CT/MRI图像中的肝脏肿瘤的自动分割，可以极大减少医生的工作量，同时提高准确、重复性的肝脏肿瘤分割服务，辅助医生进行后续的诊断。

早期传统的医学图像分割方法主要有阈值法、主动轮廓、区域生长和水平集法。之后随着设施和技术的进步，基于机器学习的分割方法有支持向量机、聚类方法等。但是与基于深度学习的方法相比，传统的医学图像分割方法属于半自动分割方法，比如区域生长的好坏决定于初始点的选取以及生长规则的制定，这往往需要多次尝试得到一个合适的区间后算法才会进行边界的拟合，这非常依赖于医生的经验和多次尝试。同样的，机器学习分割算法需要手动的进行设计和选择肝脏肿瘤的特征，这需要研究人员有对应相关的专业知识。由此可知，现有的分割方法存在时效性、通用型和准确性差的问题。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中CT图像中不同患者体内的肿瘤位置多变，形状、大小各不相同时，现有传统分割方法的时效性、通用型和准确性差的问题，从而提供一种时效性、通用型和准确性高的基于深度学习的肝脏肿瘤分割方法及系统。

为解决上述技术问题，本发明的一种基于深度学习的肝脏肿瘤分割方法，包括：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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，所述网络模型还包括深度监督模块。

在本发明的一个实施例中，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。