[发明专利]一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法

说明书

本发明涉及深度学习算法领域，尤其涉及一种用于肝脏肿瘤CT图像分割技术的DN‑U‑net网络方法领域。本发明包括：(1)获取肝脏肿瘤CT图像；(2)对所获得的图像进行预处理，将3D原始数据进行切片处理得到所需的数据格式，然后转化为可以用来训练的数据集；(3)使用中值滤波对数据进行处理，用于处理斑点噪声和椒盐噪声；(4)对数据图像进行数据增强；(5)DN‑U‑net网络的训练与分割等。本发明使用数据增强，将原图与标签同时进行处理，对数据进行数据反转、数据旋转和数据缩放操作，这样可以获得更多的图像，增大了训练集的数量。

技术领域

本发明涉及深度学习算法领域，尤其涉及一种用于肝脏肿瘤CT图像分割技术的DN-U-net 网络方法领域。

背景技术

肝脏是人体内脏最大的一个器官，同时它也是新陈代谢的重要器官，肝脏是否健康直接决定了一个人的健康状况，肝癌已经成为了中国恶性肿瘤的第二号杀手，对人们的生命和健康造成了巨大危害。目前，想要治疗肝癌的主要手段依然是进行肝肿瘤切除、放射治疗等，而进行肝肿瘤切除是最有效的方式。想要进行精确的切除，不但需要医生具备丰富的临床经验，还需要借助科学技术的辅助，因为需要精确了解肿瘤的形状、位置等信息。CT是肝癌检测的重要手段，也是医生进行肝肿瘤切除的重要依据，肝脏肿瘤手动分割对医生的医学水平和临床经验要求很高，如果手动分割肝脏肿瘤的医生经验不足，就不能得到准确的分割结果。随着深度学习技术的不断创新，研究者们提出了很多全自动化分割医疗图像的方法，比如卷积神经网络、全卷积神经网络和循环神经网络都可以实现医疗图像的全自动分割，不但提高了分割效率，而且在精度上也比半自动分割提高了很多，因此深度学习在医疗图像分割上具有非常大的应用前景。

对于已有的全卷积神经网络U-net的肝脏肿瘤CT图像的分割算法，通常在进行神经网络训练时，可能会出现模型收敛速度慢和梯度消失等问题。目前已有文献提出了一些改善方法，有学者提出了一种基于深度卷积神经网络和图割算法相结合的肝肿瘤分割方法，使用不同的转移函数，在损失函数中加入正则惩罚项，使用图割算法对卷积神经网络得到的二值肝脏肿瘤图像进行优化，得到最终的肝脏肿瘤分割方法。也有学者提出了一种3D卷积神经网络用来分割肝脏肿瘤图像的方法，该方法使用3×3×3的卷积核，将ReLU作为激活函数，直接使用 3D断层扫描数据，相比2D卷积神经网络精确率有了一定提高。虽然使用卷积神经网络对医疗图像分割取得了一定的成果，但是仍然存在很多缺点，无法达到像素级的分割，分割的精确率仍需要进一步的提高。有学者提出了全卷积网络FCN，其将卷积神经网络的全连接层全部换成了卷积层，这种方式不但可以输入任何尺寸的数据，而且实现了像素级的图像分割，使得分割后的精确率进一步提高，但是得到的结果不够精细，进行8倍的上采样虽然比32倍效果好了很多，但是上采样结果还是比较模糊和平滑的，对图像中的细节不敏感。对各个像素进行分类，没有充分考虑像素与像素之间的关系，忽略了在通常的基于像素分类的分割方法中使用的空间规整步骤，缺乏空间一致性。而改进的U-net网络在新构造的DN-U-net(D 指Depthwise separable convolution深度可分离卷积，N指Normalization归一化)网络模型中增加了一部分规范层进行归一化处理，这样能够有效防止过拟合，而且提高网络的泛化能力。把新构造的DN-U-net网络中的普通卷积替换为深度可分离卷积，可以有效的减少网络参数，缩小网络模型的大小，提升网络模型的运算速度。

发明内容

本发明的目的在于对传统U-net网络的缺点进行改进，并提出基于U-net网络的DN-U-net 网络，使得归一化操作的计算不再依赖batch size的大小，并且减小了网络模型大小，有效的减少计算量，最终提高分割效果。

本发明是这样实现的：

一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法，所述方法包括如下步骤：

(1)获取肝脏肿瘤CT图像；

(2)对所获得的图像进行预处理，将3D原始数据进行切片处理得到所需的数据格式，然后转化为可以用来训练的数据集；