[发明专利]基于残差双注意力深度网络的CT图像肾脏分割算法

说明书

本发明公开了一种基于残差双注意力深度网络的CT图像肾脏分割算法，该方法将残差单元能重复利用特征的优点和双注意力机制优良的特征学习能力相结合，设计了残差双注意力模块，并以残差双注意力模块为基础模块构建U型深度网络分割模型，同时设计用于分割的损失函数，使U型深度网络分割模型能够更加关注肾脏区域特征，可有效应对囊性病变肾脏的形状变化，能够对囊性病变下肾脏的形状变化保持鲁棒；进而准确定位肾脏区域边界，实现CT图像中肾脏区域的自动分割，并起到很好的分割效果。

技术领域

本发明涉及数据信息处理技术领域，尤其涉及一种基于残差双注意力深度网络的CT图像肾脏分割算法。

背景技术

在临床应用中，肾脏分割对于病情诊断，功能评估和治疗决策非常重要，早期的分割工作是由有经验的医生手动勾画的，这种分割方式主观性强、效率低并且分割结果无法复现，已经不能很好满足临床要求，在现实应用中已经逐渐被淘汰。随着科学技术的不断发展，利用计算机技术实现医学图像分割成为可能，研究人员开始纷纷探索自动分割的方法。然而，准确可靠地在CT图像中分割肾脏存在一些难点，比如：CT图像对比度低，肾脏与相邻的器官和组织之间边界模糊，个体肾脏的形状存在差异，肾脏内部的水和空气会引起噪声和空洞等，对于肾囊肿患者而言，囊肿病变使得肾脏体积扩大会导致肾脏形状发生很大变化，从而相对于正常(非病变)肾脏，CT图像切片囊肿肾脏分割更为困难。因此，开发用于囊肿肾脏的快速和精确的全自动分割算法有着很实际的研究意义。

近些年来，国内外学者在医学图像肾脏分割领域做出了相应的研究和贡献，大致可以分为两类，一类是传统方法，一类是深度学习方法。传统方法通常是指利用先验知识和图像特征实现分割，此类方法的基本原理是根据图像中不同区域的不同特征(如灰度值、纹理等)和已知的结构信息对图像中的像素进行分类处理，如自适应区域生长算法以及主动轮廓等，传统方法一般需要人为干预，不能做到完全自动分割，且处理过程较为繁琐。深度学习方法是指基于卷积神经网络(CNN)设计的深度网络分割模型，此类方法主要采用数据驱动的模式，其性能与数据的数量和质量密切相关，通过合理设置网络结构与优化学习方法，同时构建恰当的损失函数并进行迭代训练，使得模型具有高效提取图像特征的能力，能够自动分割所关注的目标，无需人为干预且操作过程较为简单，相比于传统方法更为高效。但由于人体肾脏存在形状的多样性和解剖结构的复杂性，囊肿病变也会导致肾脏形状发生大幅变化，这使得对CT图像中肾脏，特别是囊肿肾脏的自动分割存在诸多挑战。现有的一些全卷积网络，如基于VGG的全卷积网络，并不能很好地定位出肾脏区域边界。如何设计更有效的分割网络是提升肾脏自动分割准确性的关键。

发明内容

为解决现有技术中存在的问题，本发明提供一种基于残差双注意力深度网络的CT图像肾脏分割算法，实现CT图像切片中的肾脏区域的准确分割，其技术方案如下：

一种基于残差双注意力深度网络的CT图像肾脏分割算法，包括如下具体步骤：

S101、采集腹部CT图像切片扫描序列，构建腹部CT图像切片数据集；再通过标注软件对每张CT图像切片的肾脏区域进行标注，并生成对应的二值化掩码图；；

S102、对S101中CT图像切片与对应的二值化掩码图分别进行预处理操作，再分别将预处理后的CT图像切片和对应的二值化掩码图按照6:2:2的比例划分为训练集、验证集和测试集；

S103、设计残差双注意力模块，再以残差双注意力模块为基础模块构建U型深度网络分割模型，并设计用于分割的损失函数；

S104、选择合适的优化学习方法，设置相关的超参数，利用训练集和验证集对S103中所述U型深度网络分割模型进行训练；

S105、训练完成后，从测试集中任选一张CT图像切片，输入U型深度网络分割模型，加载训练好的模型权重进行分割，生成肾脏/背景的概率图谱，分割出CT图像切片中的肾脏区域，并生成分割后的二值化掩码图。