[发明专利]一种肝脏肿瘤图像分割模型训练方法

说明书

本发明公开了一种肝脏肿瘤图像分割模型训练方法，首先获取肝脏CT图像，对肝脏CT图像进行预处理操作得到样本图像和肿瘤斑块图像，然后进行肿瘤图像分割模型具体训练：一阶段，将样本图像输入预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；二阶段，将肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；三阶段，将样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。该方法从整个肝脏CT图像输入和肿瘤斑块图像两方面训练网络，可以整合肿瘤的特定特征，并结合肿瘤数据的整体背景，提高肝脏肿瘤图像分割的准确率。

技术领域

本发明属于医学图像处理领域，具体涉及一种肝脏肿瘤图像分割模型训练方法。

背景技术

肝癌是全球第二大常见的癌症死亡的主要原因，对于肝癌的筛查，计算机断层扫描(CT)是最常用的成像工具，CT中肝脏的形态和质地异常以及可见病变在原发性和继发性肝肿瘤疾病中是疾病进展的重要的标志物。在临床实践中，肿瘤的大小远小于整个CT以及肝脏区域的大小，从整个CT体积或肝脏区域中分割出肿瘤是一项困难的挑战。

现有技术中通常是采用级联模型的方法进行肝肿瘤分割：肝脏定位网络，肝脏分割网络和肿瘤分割网络。这种方法虽然能很好的分割肝脏，但是可能会遗漏肿瘤的特性特征，无法提高肝肿瘤分割的有效性，难以更好的捕捉到肝脏中的小型肿瘤。

发明内容

为了解决现有技术的上述问题，本发明提供一种肝脏肿瘤图像分割模型训练方法，能够在整个CT图像下，更好地捕捉肿瘤特定特征，为了达到该目的，本发明的技术方案如下：

一种肝脏肿瘤图像分割模型训练方法，所述的方法包括：

获取肝脏CT图像，对所述的肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，所述的预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成，其中肿瘤斑块图像的大小由样本图像中的最大肿瘤决定；

利用所述的样本图像和肿瘤斑块图像依次对肿瘤图像分割模型进行训练，直至确定肿瘤图像分割模型训练完成，所述的肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型；其中，执行的训练过程包括：

将所述的样本图像输入至预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；

将所述的肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；

将所述的样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。

进一步地，所述的肿瘤斑块图像中包括阳性肿瘤斑块图像和阴性肿瘤斑块图像，其中阳性肿瘤斑块图像和阴性肿瘤斑块图像大小相同。

进一步地，所述的肿瘤图像分割模型采用Unet神经网络结构，由对称的编码器和解码器组成。

进一步地，所述的肝脏CT图像的每个切片分辨率为512×512，样本图像大小设置为64×256×256，肿瘤斑块图像大小设置为64×190×190。

本发明的有益效果在于：从整个肝脏CT样本图像和肿瘤斑块两方面训练网络，能够在CT背景下更好的捕捉肿瘤特定特征，从而得到更好的肿瘤分割效果。

附图说明

图1是本发明肝脏肿瘤图像分割模型训练方法流程示意图；

图2是本发明肝脏肿瘤分割模型结构图。

具体实施方式

下面结合附图和实施例，对本发明技术方案作进一步描述：

本实施例中提供了一种肝脏肿瘤图像分割模型训练方法，如图1所示，包括：