[发明专利]基于改进RetinaNet的小肠淋巴瘤分割模型建立、分割方法及装置

说明书

本发明公开了一种基于改进RetinaNet的小肠淋巴瘤分割模型建立、分割方法及装置。本方法建造的分割模型基于RetinaNet网络模型，替换原有的FPN结构，使用多种方式非线性融合不同尺度特征的金字塔网络，并在主干网络当中加入通道注意力模块，提高模型对于不同形态尺度目标的特征提取能力，降低背景因素对训练造成的影响。结合了free‑anchor的方法，实现候选框与检测目标的自适应匹配，从而更好的针对不同形态的目标。相比于传统模型，本发明的分割模型在小肠淋巴瘤的分割上具有更好的性能。

技术领域

本发明属于医学影像分割领域，具体涉及一种基于改进RetinaNet的小肠淋巴瘤分割模型建立、分割方法及装置。

背景技术

随着计算机硬件的发展，大规模存储数据成为了可能。大量的数据为神经网络模型提供了丰富的可供学习的资源。同时，图像处理器(GPU)的发展，使得计算机可以快速的处理矩阵运算，极大的加快了模型的训练速度。这一系列的发展使得深度学习成为了目前图像识别领域的主流算法。深度学习与传统方法的区别在于，深度学习不需要人工提取特征，而是通过学习，自适应的提取图像中最显著的特征，避免了人工提取特征的差异对最终分类结果的影响。

目前，越来越多深度学习的方法应用于医疗CT影像的诊断当中，并且取得了良好的效果。Yan等人提出了3DCE的网络结构，该结构利用了切片之间特征的空间关联性，将相邻切片按通道进行堆叠从而形成若干个三通道的数据模块，每个数据模块的中间通道含有标注的信息，这些数据模块送入网络将分别进行特征提取并进行特征融合，从而有利于模型检测效果的提升。Li等人提出了MVP-Net网络模型，该模型结合了临床诊断的经验，将同一切片转化为不同窗口类型和窗口宽度的数据类型，并通过不同的分支将转化后的数据分别送入网络中进行特征提取和特征融合，有效提高了模型的检测精度。然而，上述模型均是针对一些发生率较高肿瘤疾病的检测且其网络模型结构过于复杂，需要消耗很高的计算资源。

目前，很少有人把目标检测的方法直接用于小肠淋巴瘤CT影像当中，若直接把现有技术应用于对小肠淋巴瘤的检测，效果并不理想。这是因为：小肠淋巴瘤作为小肠恶性肿瘤的一种，其形态结构十分复杂。根据其形态结构和病理类型可分为伯基特淋巴瘤、弥漫大B细胞性淋巴瘤和套细胞淋巴瘤等。介于小肠淋巴瘤形态结构复杂，尺度差异性大等因素，一些淋巴瘤难以有效的识别，主要存在的困难有以下几点：1)胃肠道自身环境的复杂。胃肠道中肠道的形状千变万化，且不同个体之间的差异性极大。除此之外，肠道四周还有骨骼、脂肪层、胰腺、肾脏和胃等组织和器官，会对肿瘤的识别造成干扰。2)肿瘤尺度差异性大。特别是一些较小肿瘤，其特征较为不明显，与周边肠道具有高度相似性。3)肿瘤形态特征多样。这些形态尺度的巨大差异给小肠淋巴瘤的正确分割带来了巨大的挑战。

发明内容

本发明的目的在于提供一种基于改进RetinaNet的小肠淋巴瘤分割模型建立、分割方法及装置，用以解决现有技术中的肿瘤与周围背景具有相似性，现有算法进行分割时易受到肿瘤周边背景信息的干扰导致分割精度不高，同时小肠淋巴瘤存在较大尺度形态差异性，现有方法对于不同尺度形态目标的特征提取能力不足等问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于改进RetinaNet的小肠淋巴瘤分割模型建立方法，包括如下步骤：

步骤1：获取腹部切片图像数据集，对每张腹部切片图像进行标注，获得标签集；

步骤2：建立RetinaNet模型，所述的RetinaNet模型包括主干网络、特征金字塔网络和检测网络，所述的主干网络包括四个主干块，每个主干块后连接有一个通道注意力模块，所述的主干网络用于提取不同尺度的特征图{C2，C3，C4，C5，C6，C7}，其中，C2、C3、C4和C5分别由不同的主干块输出，C6由C5进行下采样后获得，C7由C6进行下采样后获得；