[发明专利]一种基于3DA-U-Nets架构的CT图像肝脏肿瘤分割方法

权利要求书

1.一种CT图像肝脏肿瘤分割方法，其特征在于，包括：

获取包含肝脏肿瘤的CT图像；

利用基于3DA-U-Net的一级肝脏分割网络从CT图像中分割出肝脏区域，并根据预设置的阈值将肝脏区域转化为二值的肝脏掩膜；

对所述CT图像与所述肝脏掩膜进行掩膜运算，得到肝脏感兴趣区域；

利用基于3DA-U-Net的二级肿瘤分割网络对所述肝脏感兴趣区域进行特征提取，得到CT图像深层特征；

根据所述CT图像深层特征，输出肝脏肿瘤分割结果。

2.根据权利要求1所述的CT图像肝脏肿瘤分割方法，其特征在于，所述一级肝脏分割网络、二级肿瘤分割网络的3DA-U-Net的构建方法包括：

获取U-Net网络和三维注意力机制；

其中，U-Net网络的收缩路径包括五个依次连接的网络模块，第一、二、三、四个网络模块均包括2个卷积层和1个池化层，第五个网络模块包括2个卷积层；

所述三维注意力机制记为3DA；使用3DA模块增加到U-Net网络中每一个卷积模块后，形成3DA-U-Net网络。

3.根据权利要求1所述的CT图像肝脏肿瘤分割方法，其特征在于，所述3DA-U-Nets的网络结构包括：

一级肝脏分割网络：输入端口input、卷积层Conv 1-1、卷积层Conv 1-2、3DA层1、池化层Maxpool-1、卷积层Conv 2-1、卷积层Conv 2-1、3DA层2、池化层Maxpool-2、卷积层Conv3-1、卷积层Conv 3-2、3DA层3、池化层Maxpool-3、卷积层Conv 4-1、卷积层Conv 4-2、3DA层4、池化层Maxpool-4、卷积层Conv 5-1、卷积层Conv 5-2、3DA层5、上卷积层Upconv-1、卷积层Conv 6_1、卷积层Conv 6-2、上卷积层Upconv-2、卷积层Conv 7-1、卷积层Conv 7-2、上卷积层Upconv-3、卷积层Conv 8-1、卷积层Conv 8-2、上卷积层Upconv-4、卷积层Conv 9-1、卷积层Conv 9-2、卷积层Conv 10-1和输出端口output；

二级肿瘤分割网络：输入端口input、卷积层Conv 1-1、卷积层Conv 1-2、3DA层1、池化层Maxpool-1、卷积层Conv 2-1、卷积层Conv 2-1、3DA层2、池化层Maxpool-2、卷积层Conv3-1、卷积层Conv 3-2、3DA层3、池化层Maxpool-3、卷积层Conv 4-1、卷积层Conv 4-2、3DA层4、池化层Maxpool-4、卷积层Conv 5-1、卷积层Conv 5-2、3DA层5、上卷积层Upconv-1、卷积层Conv 6_1、卷积层Conv 6-2、上卷积层Upconv-2、卷积层Conv 7-1、卷积层Conv 7-2、上卷积层Upconv-3、卷积层Conv 8-1、卷积层Conv 8-2、上卷积层Upconv-4、卷积层Conv 9-1、卷积层Conv 9-2、卷积层Conv 10-1和输出端口output。

4.根据权利要求2所述的CT图像肝脏肿瘤分割方法，其特征在于，3DA-U-Net中三维注意力机制3DA的处理流程包括：

输入卷积层处理得到的特征图X，通道数为C、大小为W×H，3DA结构将特征图X复制三份，分别沿着三个不同方向做全局平均池化的操作，得到三个不同维度的一维特征，分别为W×1×1、1×H×1和1×1×C张量；

将三个不同维度的一维特征分别送入两个全连接层，第一个全连接层的通道数为C/r，其中r为减少率，并经过激活函数ReLU；将输出紧接着输入第二个全连接层中，这一层的通道数为C，通过激活函数sigmoid进行非线性表达，得到新的W×1×1、1×H×1和1×1×C张量，其中包含了特征图每一个元素与目标特征之间的权重信息；

将包含权重信息的新的W×1×1、1×H×1和1×1×C张量和初始特征图X相乘，得到经过3DA重新标定的新特征图X’。