申请/专利权人：湖南科技大学

申请日：2021-11-23

公开（公告）日：2024-04-16

公开（公告）号：CN114240962B

主分类号：G06T7/11

分类号：G06T7/11;G06T7/136;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.04.12#实质审查的生效;2022.03.25#公开

摘要：本发明公开了一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法，包括：1对训练数据进行预处理，包括图像裁剪和窗宽、窗位调整；2构建一种新的融合残差模块和注意力机制的U形深度卷积网络模型；3结合Dice与二元交叉熵构建网络的损失函数；4采用预处理后的训练数据进行网络训练；5对测试图像进行预处理，并利用训练好的网络分割其中的肝脏肿瘤区域。本发明是一种全自动的肝脏肿瘤分割方法，通过图像预处理以及在Unet网络中引入了残差模块与注意力机制，解决了肝脏肿瘤、分割中分割边界模糊，小型肿瘤难以检出的难题，有效提升了肝脏肿瘤的分割精度。

主权项：1.一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法，其特征在于，包括以下步骤：1建立包含原始CT图像和肝脏肿瘤手动分割结果的训练数据集A；2对数据集A进行预处理，包括图像裁剪和CT图像窗宽、窗位调整，获取数据集B，具体包括：2-a为了降低肿瘤分割的复杂性、提高分割精度，对数据集A中的所有CT图像及其对应的手动分割结果进行裁剪，具体包括：首先采用阈值和数学形态学腐蚀与膨胀操作对原始CT图像中的肋骨和脊椎进行分割，然后对分割结果进行行和列投影，且分别取第一个以及最后一个不为零的像素所在的行和列，构建长为Lw、宽为Lh的矩形框，定位腹腔区域；考虑到肝脏区域通常位于CT切片腹腔左侧，将矩形框中心点O向左平移Lw4得到点P，并以点P为中心取大小R×R的方形区域作为最终的裁剪结果；2-b对裁剪后的CT图像进行窗位与窗宽调整，根据放射医学先验知识，可显示的人体组织CT值范围一般为-1000～1000Hu，而器官软组织的CT值范围在40～70Hu之间，为了增强肝脏与毗邻组织的对比度，将CT图像的窗位和窗宽分别设置为60Hu和170Hu；3构建一种新的融合残差模块和注意力机制的U形深度卷积网络，称之为RA-Unet，具体包括：3-a采用U形网络作为主干网络，该主干网络共包含五个编码层、四个跳跃连接层、四个解码层和一个1×1卷积层，其中第一个编码层的输出不仅作为第二个编码层的输入，同时还通过第一个跳跃连接层与第四个解码层相连作为该解码层的输入；第二个编码层的输出不仅作为第三个编码层的输入，同时还通过第二个跳跃连接层与第三个解码层相连作为该解码层的输入；第三个编码层的输出不仅作为第四个编码层的输入，同时还通过第三个跳跃连接层与第二个解码层相连作为该解码层的输入；第四个编码层的输出不仅作为第五个编码层的输入，同时还通过第四个跳跃连接层与第一个解码层相连作为该解码层的输入；第五个编码层的输出直接作为第一个解码层的输入；此外，上一个解码层的输出均作为下一个解码层的输入；为了得到分割结果，将最后一个解码层与一个1×1卷积层相连，其中最后一个解码层的输出作为1×1卷积层的输入，1×1卷积层的输出为各像素属于目标的概率图，通过引入阈值T，即可得到分割结果；3-b在步骤3-a所述的主干网络中，每个编码层均由两个卷积模块连接组成，即双卷积模块，其中每个卷积模块包含1个大小为3×3的卷积层，批归一化层和Relu激活层；为了对图像进行下采样，第一至第四个编码层中，双卷积模块的末尾均增加1个大小为2×2的最大池化层；3-c在步骤3-a所述的主干网络中，首先，为了避免信息冗余传递，每一个跳跃连接层都增加了一条带有反卷积与Relu激活层的残差路径，具体结构包括：对编码层的输出进行2×2反卷积与Relu激活操作，将得到的结果与编码层中双卷积模块的输出特征相减，获取可有效表征图像边缘信息与小目标全局信息的特征；其次，为了获取跳跃连接层中特征的高级表征，在每一个跳跃连接层中的残差路径后面增加一个步骤3-b中所述的双卷积模块；3-d在步骤3-a所述的主干网络中，每个解码层均由一个2×2的反卷积层，一个注意力结构，以及一个步骤3-b中所述的双卷积模块连接组成，其中：第一个解码层中反卷积层的输入为第五个编码层的输出，此后，下一个解码层中反卷积层的输入均为上一个解码层的输出；每个解码层中注意力结构的输入包括当前解码层中反卷积层的输出和与该解码层相连的跳跃连接层的输出；每个解码层中双卷积模块的输入均为当前解码层中注意力结构的输出；3-e步骤3-d中所述注意力结构，其特征在于，具体包括：首先分别对跳跃连接层和反卷积层的输出进行1×1的卷积操作，并将卷积结果相加，然后对相加结果依次进行Relu激活和1×1卷积操作，接着利用Sigmod函数激活生成一个权重图，最后将跳跃连接层传递的特征图与该权重图相乘得到一个新的特征图；该注意力结构的主要作用是根据上下文信息，将跳跃连接层与反卷积解码获得的特征信息赋予不同权重，增强分割任务相关区域的特征传递，抑制无关区域的特征传递；4结合Dice与二元交叉熵构建RA-Unet网络的损失函数：Loss＝α·BCE_loss+1-α·Dice_loss其中，α为权重因子，取值范围为0～1，用于调节Dice损失值Dice_loss和二元交叉熵损失值BCE_loss所占比重；Dice_loss和BCE_loss的具体计算方法如下： 其中，Gi为CT图像中第i个像素的专家手动分割结果，其中背景标记为0，目标标记为1，Pi为网络预测第i个像素属于目标的概率，N为CT图像中的像素数目；5采用训练数据集B对RA-Unet网络进行训练，直至Loss收敛；6采用步骤2中所述的裁剪和窗宽、窗位调整方法对测试图像进行预处理，并利用训练好的网络对预处理后的图像进行测试，自动获取其中的肝脏肿瘤区域。

全文数据：

权利要求：

百度查询： 湖南科技大学 一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD