[发明专利]一种基于深度学习的肝脏CT图像分割方法

权利要求书

1.一种基于深度学习的肝脏CT图像分割模型建立方法，其特征在于，包括以下步骤，

步骤1：收集大量患者的腹部CT图像，并对肝脏位置进行标注，生成原始图像序列，然后将原始图像序列分为训练样本和测试样本；

步骤2：对训练样本进行预处理，同时去除干扰信息；

步骤3：搭建基于Encoder-Decoder模型的肝脏分割深度学习网络，先将CT图像大小缩小16倍以提取其特征信息，然后将特征信息传递到特征金字塔模块进行特征融合，采用步长为2的7×7的卷积进行CT图像特征的提取，后接BN层和ReLU层；然后再利用带有残差结构的深度可分离卷积模块对CT图像进行特征提取；同时利用步长为2的卷积与平均池化相结合的方式进行池化操作，所述特征金字塔模块内部采用3×3空洞卷积，Decoder阶段通过逐步的上采样将特征图恢复到原始图像大小并对图像中每一个像素点进行分类；

步骤4：利用搭建完成的学习网络对预处理后的训练样本进行模型训练，得到肝脏分割模型；

步骤5：对测试样本进行预处理，并作为输入参数输入到肝脏分割模型，得到初分割图像，然后对每套图像进行连通域处理，连通域处理后的分割结果反馈至原始图像序列中；其中，所述步骤2和所述步骤5中的预处理操作中，首先将相邻的切片组合到一起，形成多通道图像，采用上下平移、左右平移、镜像、旋转和亮度变换操作对训练样本进行扩增处理，然后采用重采样方法将CT图像的层间距统一调整为1mm，具体为在相邻层进行上采样插值，将图像大小扩大2倍，对中间层以相邻两层切片与待插切片的距离权重进行线性变换插值，对图像进行下采样，将图像缩小2倍，还原至原始大小，提高差值精度。

2.根据权利要求1所述的肝脏CT图像分割模型建立方法，其特征在于，所述Decoder阶段，通过4次上采样将特征图扩大16倍以恢复至原始大小。

3.根据权利要求2所述的肝脏CT图像分割模型建立方法，其特征在于，所述Decoder阶段上采样的过程中，先将底层信息与高层信息进行融合，然后采用转置卷积进行上采样。

4.根据权利要求1所述的肝脏CT图像分割模型建立方法，其特征在于，所述步骤2通过对CT图像进行调窗处理，去除不相关部位的干扰。

5.根据权利要求1所述的肝脏CT图像分割模型建立方法，其特征在于，所述步骤4中的模型训练采用Adam优化器，Dice Similarity Coefficient作为网络的损失函数。

6.一种基于深度学习的肝脏CT图像分割方法，其特征在于，使用权利要求1-5任一项所述的肝脏CT图像分割模型建立方法对肝脏CT图像进行分割，将待分割的肝脏CT图像预处理后，输入肝脏CT图像分割模型，得到肝脏CT图像分割结果。