[发明专利]一种基于级联全卷积网络的肝脏CT图像的肿瘤区域分割方法及系统

说明书

本发明公开了一种基于级联全卷积网络的肝脏CT图像的肿瘤区域分割方法及系统，该方法利用全卷积网络模型实现了肝脏肿瘤区域的自动分割。包括：对CT图像进行滤波、锐化增强等预处理操作；利用预处理后的CT数据集进行级联网络的训练；用两级FCN网络分别实现肝脏区域分割，以及从肝脏感兴趣区域中分割出肿瘤区域。其中，第一级FCN网络使用了可变池化的方法，保留更多肝脏特征，提高肝脏分割精度；第二级FCN网络使用空洞卷积代替原来的卷积层和池化层，缩小图像增大感受域的同时能够保留目标的位置信息。本发明方法无需手动提取大量特征，且能有效精确的从肝脏CT图像中分割出肿瘤区域。

技术领域

本发明涉及医学图像处理计算领域，具体涉及一种基于级联全卷积网络的肝脏CT肿瘤区域的分割方法及系统。

背景技术

腹部CT影像是目前常用的肝脏肿瘤疾病诊断方法之一。由于肝脏肿瘤的治疗需要在术前准确了解肿瘤的大小、位置、数量等信息，因此在肝脏CT图像中进行肿瘤的分割具有重要的临床应用意义。然而，肝脏CT图像对比度低，肿瘤大小、形状和位置不固定，且腹腔内组织和器官分布复杂、肝脏的正常组织与肿瘤部位界限模糊，因此肝脏CT图像的肿瘤分割是目前医学影像处理中的研究热点和难点。

近年来，随着人工智能技术的发展，深度学习在图像分析领域取得了瞩目成果，并且出现了一些利用卷积神经网络来实现肝脏CT肿瘤分割的方法。2015年，Jonathan Long提出了一种新的全卷积网络(Fully Connected Network,FCN)模型，该模型将卷积神经网络中最后的全连接层修改为卷积层，因此它输出的不是一维向量而是输出二维图像，很好地保留了二维空间信息。相比于卷积神经网络，全卷积网络可以获得更好的图像分割效果，但仍存在精度不高，需要人工参与或手动提取特征等问题。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于级联全卷积网络的肝脏CT肿瘤区域的分割方法，该方法可以解决现有技术中图像分割精度不高的问题，本发明还提供一种基于级联全卷积网络的肝脏CT肿瘤区域的分割系统。

技术方案：本发明所述基于级联全卷积网络的肝脏CT图像的肿瘤区域分割方法，该方法包括：

(1)采集数据集：采集图像数据集，并对所述图像数据进行预处理；

(2)数据扩充：对采集的图像数据进行数据扩充；

(3)训练级联分割网络，分为两个阶段：

第一阶段：训练第一级的肝脏分割网络

将肝脏分割网络对应的训练集和肝脏标签样本输入到所述肝脏分割网络进行训练，所述肝脏分割网络为：将FCN网络的池化层改为可变池化的方式；

第二阶段：训练第二级的肿瘤分割网络

利用所述肝脏分割网络的分割概率图制作肿瘤分割网络对应的训练集，并标记出感兴趣区域，将肿瘤分割网络对应的训练集和感兴趣区域输入到所述肿瘤分割网络进行训练；所述肿瘤分割网络为：将FCN网络中的卷积层和池化层设置为空洞卷积模式；

(4)测试级联分割网络：

利用测试集对所述级联分割网络的测试，得到分割结果图，并计算对应的DICE分数。

进一步地，包括：

所述将FCN网络的池化层改为可变池化的方式，具体包括：

首先，选择三种大小的池化核，分别为k₁，k₂，k₃，k₁和k₂分配在肝脏区域，k₃分配在非肝脏区域，取令余数remainder＝M-(k₁+2k₂+3k₃)，其中，表示向下取整，M×M为图像大小；