[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

说明书

本发明公开了一种基于3DA‑U‑Nets架构的CT图像肝脏肿瘤分割方法，该方法包括：将CT图像输入三维注意力结构3DA与U‑Net网络结合得到一级肝脏分割网络3DA‑U‑Net对肝脏进行分割，得到肝脏掩膜，其中三维注意力结构利用从多个维度扫描全局图像，重点关注目标所在区域和特性，降低与肿瘤无关信息的关注度，以提升网络的效率与准确性；再使用肝脏掩膜与图像本身进行计算得到肝脏区域的图像集；将肝脏掩膜和CT图像进行掩膜计算，得到肝脏区域图像集输入二级肝脏肿瘤分割网络3DA‑U‑Net中得到肝肿瘤的分割结果；以上两级网络共同组成基于3DA‑U‑Nets架构的CT图像肝脏肿瘤分割方法，本发明能够快速、准确的进行肝脏肿瘤分割。

技术领域

本发明涉及一种基于3DA-U-Nets架构的CT图像肝脏肿瘤分割方法，属于医学影像处理技术领域。

背景技术

肝脏是人体内重要的消化器官，肝癌也是致死率较高的恶性疾病，因此在腹部检查中尽早发现肝脏的病变和肿瘤，对于诊疗和治愈有着十分重要的意义。然而肝脏肿瘤分割一直是医学图像分割中的难点。肝脏图像对比度低，且与其他组织器官联系紧密而复杂，即使人工分割肝脏肿瘤也有一定难度。因此，为了尽量提高分割效率并避免人为因素对肝脏分割的影响还是要依靠计算机对肝脏肿瘤进行自动化分割，有效地提高肝肿瘤的分割精度，是提高临床诊疗效率的关键因素之一。

发明内容

为了解决现有技术中肝脏肿瘤分割精度不足的问题，本发明提出了一种基于3DA-U-Nets架构的CT图像肝脏肿瘤分割方法，该方法在U-Net基础上尝试将一种新的混合域注意力机制融入网络中，从通道、空间等多个方面增加网络对目标特征的关注度，增加网络对特征的提取能力，令网络在原有卷积模块的基础上可以获得更多研究目标的有效特征，提高肝脏肿瘤分割的精度。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种CT图像肝脏肿瘤分割方法，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。

在一些实施例中，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。

U-Net网络结构具体包括：