[发明专利]残差UNet直肠癌肿瘤磁共振图像自动分割方法

说明书

本发明涉及一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，属于直肠癌的精确分割技术领域。本发明包括如下步骤：S1：提出直肠肿瘤MR图像的自动分割任务，包括如下小步：S11：建立AttSEResUNet网络结构；S12：引入通道注意力挤压‑激励模块；S13：引入空间注意力门控模块；S14：引入BCE_DICE损失函数；S15：预测结果的后结果处理；S2：建立直肠肿瘤数据集进行模型评估，包括如下小步：S21：归一化和自适应直方图均衡化的预处理；S22：评估指标的选用；S23：评估有效性的验证。本发明能有效分割直肠肿瘤区域，同时组合的损失函数也能在一定程度上提高分割精度，可用于直肠癌的精确分割场合。

技术领域

本发明涉及一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，属于直肠癌的精确分割技术领域。

背景技术

直肠癌是严重威胁我国居民健康的疾病之一。据我国国家癌症中心发表的最新报告显示，直肠癌的发病人数居我国恶性肿瘤发病人数的第三位，约占38.8％，是癌症死亡率的主要诱因之一，特别是在城市地区，其发病人数更是仅次于肺癌，成为危害人们身体健康的第二大杀手。在全球范围内，不论是发病数量还是死亡人数，结直肠癌症也一直居高不下。

术前影像学检查是直肠癌治疗方法的重要步骤，它能够帮助医生确定适合患者的辅助放化疗技术和手术方式，从而提高生存率。其中，磁共振图像(MR)因其具有良好的软组织对比度，一直在直肠癌的诊断、术前预测和疗效评估中承担不可忽视的作用。因此，准确的分割直肠肿瘤对于后续的治疗规划及预后分析具有十分重要的意义。目前，直肠癌肿瘤图像的分割主要依靠经验丰富的医生进行手动勾画，这种方法不仅耗时耗力，并且容易受到医生之间内部水平差异的影响.

近年来，随着深度学习在各个领域的广泛应用，其在医学图像分析任务中也收获了很大成功，其中，对于医学图像的分割，主要是在肝脏、多器官、前列腺、胰腺、颈部和大脑等方面，针对直肠癌肿瘤MR图像的自动分割研究相对较少。Stefano Trebeschi等利用卷积神经网络(CNNS)对直肠肿瘤核磁共振(MRI)图像进行完全的自动定位和分割，验证了深度学习的技术潜力。得益于全卷积神经网络(FCN)结构的提出，Junming Jian等人将其引入结直肠肿瘤分割，使用VGG-16为基础模型从归一化图像中提取特征，VGG-16每个块的最后一个卷积层构建五个边输出块来捕获多尺度信息并产生预测结果，最后融合所有结果以获得精确的分割结果，但是这种分割方法仍然存在一些局限性，分割结果的边界也与基本事实有些不一致。UNet模型借鉴了FCN网络，它包含能够捕获上下文信息的收缩路径和确保精确定位的扩展路径，大大提高了医学图像分割任务的性能。Jiazhou Wang等人实现了一种类似二维 UNet自动分割模型来用于直肠癌T2加权成像MRI图像，考虑到MRI图像的三维结构，其将5 张MRI图像切片输入网络以形成5通道的输入张量，并采用了两阶段的训练策略提升了训练效率。Hongyi Wang等人通过粗提取和二次提取两步完成了CT图像中直肠肿瘤的掩膜提取，并建立了淋巴结转移模型。在二次提取中使用了简化的UNet网络结构，收缩路径的每一层包含一个卷积层和一个池化层，扩展路径有一个反卷积层将其输出与收缩路径中的特征图相匹配，对拼接的特征图进行两次卷积，最终将64通道特征图转化为分割图像。

注意力机制得益于其利用特征图的长期依赖性和促进神经网络探索全局上下文信息的强大能力，处于计算机视觉和自然语言处理的研究前沿，也有人尝试将注意力机制嵌入到深度神经网络体系结构中，完成医学图像分析领域的医学图像分类和医学图像分割等任务。受注意力机制的启发，本文提出了一种新的用于直肠癌肿瘤磁共振图像自动分割的方法。本文的主要内容可以总结为：1)提出了一个融合了空间和通道注意力机制的残差UNet网络模型 AttSEResUNet用于直肠肿瘤MR图像的自动分割任务；2)构建了一个小型的直肠肿瘤MR图像分割数据集，并在这个数据集上验证了本文所提方法的有效性；3)模型训练过程中使用了组合的损失函数，并通过实验对比了不同损失函数的分割效果。

发明内容

针对现有技术存在的上述缺陷，本发明提出了一种残差UNet直肠癌肿瘤磁共振图像自动分割方法。