[发明专利]一种用于肾脏肿瘤的全自动分割技术

说明书

本发明公开了一种用于肾脏肿瘤的全自动分割方法，包括实验环境和算法研究两大部分。本发明的实验平台为Windows10操作系统，显卡为NVIDIA GeForce GTX 1080Ti。算法研究主要是对CT图肾脏的粗分割和对肾脏肿瘤的细分割。整个系统的运行流程为：1.安装Windows10操作系统，配置Anaconda版本为Anaconda3，python版本为3.6，CUDA版本为10.0，PyTorch版本为1.6,以及其他所需要的安装包。2.对数据集进行预处理操作，该操作在装有Anaconda环境的pycharm中运行。3.对处理过后的数据集使用RAUNet进行分割。4.对经过训练后输出的图片进行后处理。5.通过评价指标在测试集上对该模型进行评价。该发明的主要目的在于推动智慧医疗的发展，节约人工成本，提高分割精度，提早预防疾病，从而保证人类健康。

技术领域

本发明属于医学影像与人工智能相结合的领域，涉及到一种全自动分割——肾脏肿瘤的分割技术。

背景技术

肾脏是人体必需的器官之一，主要功能为清除体内的代谢物、废物以及毒物，与此同时经过重吸收保留人体所需的水分及其他有用物质。随着不健康饮食和环境污染的增加，肾癌逐渐成为世界上最普遍的癌症之一，并且对人的身体健康造成严重的危害。据统计，肾脏肿瘤是人类常见十大恶性肿瘤之一，约占肿瘤发病率的3％-5％。再者肾脏肿瘤再起的表现症状不够明显，不易为人所察觉，一经发现便是晚期，可发展到血尿、腹部包块、疼痛、从而导致肾功能衰竭直到患者死亡。尽管有成熟的现代成像技术、早期检测机制，仍然有三分之一的患者有转移性疾病，一半以上有局部疾病。因而如何在早期发现肿瘤，便有可能提高治愈率，这对病人来说就赢得了治疗的先机。

由于医学图像本身的不规则性，而且人体腹部结构复杂，其组织位置之间重叠交错，与自然图像相比，肾脏肿瘤图像更加复杂。造成此类结果的因素可归结为以下三点：其一，医学图像的模态更加多样化，如X-ray、CT、MRI等等，不同的模态反映的信息侧重点又不同。其二，医学图像的像素值范围与自然图像(0～255)有很大的区别，CT图像素值都会上千。再者，噪声与肿瘤图像的非噪声区域很难通过灰度值进行区分。传统的肾脏肿瘤分割方法需要有经验的医师手动地进行识别、标注、分割、既耗时耗力，又加之不同的医生对数据集的标注存在一定的主观经验判断，标准不统一、可再现性非常差。然而，目前肾脏肿瘤自动分割算法的精准仍然是医学图像处理领域研究的难点，是一项非常值得人们深入研究的、具有挑战性的工作。综上所述，建立一个精度较高的全自动的肾脏肿瘤分割算法，无论是对社会的发展还是智能医疗的推进都具有极大的意义。

发明内容

由于UNet算法对医学图像分割的巨大优势，本发明提供一种基于UNet算法的RAUNet全自动肾脏分割系统，已解决现有算法的边界分割精度不高、随着网络的层数加深会出现梯度弥散的现象等问题。其具体方案实施如下：

第一方面，本申请实例提供了一种全自动肾脏肿瘤分割的方法，包括：

通过KiTS19比赛提供的官方数据集在github上进行下载。

安装Anaconda3.0、pycharm2019社区版。

在win10操作系统上下载并安装CUDA10.0、cudnn7.5。

在Anaconda中配置虚拟环境，在虚拟环境中安装搭建PyTorch、TensorFlow、numpy、Visdom、pandas、scipy、tqdm、SimpleITK、pydensecrf等程序所需要的包。

对数据进行预处理，包括Crop、重采样、归一化、图像增强。

训练的主要过程为将预处理过后的数据集送入RAUNet网络中。其中RAUNet为本专利所提出的模型。

对输出结果进行后处理，采用形态学的方法进行后处理，目的使输出图片更加光滑。

第二方面，本申请实例提供了一种智能垃圾分拣系统，包括：