[发明专利]基于语义迁移的多时相CT图像肝肿瘤分割方法

权利要求书

1.一种基于语义迁移的多时相CT图像肝肿瘤分割方法，其特征在于，包括如下：

1)从收集到的所有病例中随机取80％病例的增强CT图像数据及其对应的肝肿瘤标签作为训练集，剩下的20％的病例数据作为测试集；

2)构建多时相肝肿瘤语义分割网络M：

设计由6个编码块和为5个池化层交错组成编码器；

设计由5个解码块和5个上采样层交错组成解码器；

将编码器、解码器与一个卷积层和一个激励层依次级联，得到多时相肝肿瘤语义分割网络M；

3)用训练集中含有肝肿瘤的门静脉期图像及其对应的肝肿瘤标签对构建的分割网络进行训练，得到训练好的门静脉期肝肿瘤分割网络V；

4)对训练好的门静脉期肝肿瘤分割网络进行语义迁移，即将训练好的门静脉期肝肿瘤分割网络中的编码器参数冻结，得到语义迁移网络T；

5)利用训练集对语义迁移网络T进行微调，得到训练好的动脉期肝肿瘤分割网络A的参数和延迟期肝肿瘤分割网络D的参数：

5a)从训练集中取病例的动脉期图像及对应的肝肿瘤标签输入到语义迁移网络T，对该网络中的解码器、卷积层和激励层进行训练，得到训练好的动脉期肝肿瘤分割网络A的参数；

5b)从训练集中取病例的延迟期图像及对应的肝肿瘤标签输入到语义迁移网络T，对该网络中的解码器、卷积层和激励层进行训练，得到训练好的延迟期肝肿瘤分割网络D的参数；

6)对测试集中增强CT各期图像的肝肿瘤进行分割：

6a)将3)得到的网络V的参数先赋值给2)构建的多时相肝肿瘤语义分割网络M，再将测试集中门静脉期图像输入到该网络，完成门静脉期图像肝肿瘤的分割；

6b)将5)得到的网络A的参数先赋值给2)构建的多时相肝肿瘤语义分割网络M，再将测试集中动脉期图像输入到该网络，完成动脉期图像肝肿瘤的分割；

6c)将5)得到的网络D的参数先赋值给2)构建的多时相肝肿瘤语义分割网络M，再将测试集中延迟期图像输入到该网络，完成延迟期图像肝肿瘤的分割。

2.根据权利要求1所述的方法，其特征在于：

所述6个编码块中的每个编码块依次包括如下5层结构：

第一层为卷积层，卷积核大小为3×3，滑动步长为1；

第二层为激励层，激励函数为修正线性单元函数，用于对第1层的输出特征图进行激励；

第三层为卷积层，卷积核大小为3×3，滑动步长为1，卷积核个数与第一层的相同；

第四层为激励层，激励函数为修正线性单元函数，用于对第3层的输出特征图进行激励；

第五层为丢弃层，丢弃率为0.5，该层由网络深度决定是否使用；

所述6个编码块中每个编码块第一层卷积层的卷积核个数不同，即分别为32、64、128、256、512、1024，这6个编码块中第四个、第五个和第六个编码块使用丢弃层。

3.根据权利要求1所述的方法，其特征在于：

所述5个解码块中的每个解码块依次包括如下5层结构：

第一层为特征融合层，用于将上层的输出特征图和分辨率相同的编码块输出特征图进行通道方向上的融合操作；

第二层为卷积层，卷积核大小为3×3，滑动步长为1；

第三层为激励层，激励函数为修正线性单元函数，用于对第二层的输出特征图进行激励；

第四层为卷积层，卷积核大小为3×3，滑动步长为1，卷积核个数与第二层的相同；

第五层为激励层，激励函数为修正线性单元函数，用于对第四层的输出特征图进行激励；

所述5个解码块中每个解码块的第二层卷积层的卷积核个数不同，即分别为512、256、128、64、32。

4.根据权利要求1所述的方法，其中2)中的上采样层，包括如下3个阶段：

第1阶段，用于对上层的输出进行双线性插值方式的上采样；

第2阶段，用于对第1阶段的上采样结果进行卷积运算，卷积核大小为2×2，滑动步长为1，卷积核个数是上采样层的输入特征图通道数的1/2；

第3阶段，用于对第2阶段的卷积结果进行激励，激励函数为修正线性单元函数。