[发明专利]一种融合2维和3维模型的PET图像分割方法

权利要求书

1.一种融合2维和3维模型的PET图像分割方法，其特征在于，所述方法包括以下步骤：

步骤1、针对3维PET图像和淋巴瘤的特点设计或修改2维和3维网络结构；

步骤2、预处理原始3维PET数据至适合网络学习的大小和尺寸；

步骤3、分别用2维模型和3维模型进行训练学习得到不同的预测结果；

步骤4、将2维模型的预测结果和3维模型的预测结果进行均值求和得到最终的分割结果。

2.根据权利要求1所述的一种融合2维模型和3维模型的PET图像分割方法，其特征在于：所述步骤1中，ResUnet和ResUnet-3D神经网络预测模型网络结构如下：

(1)优化器：使用Adam优化器，它能够对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新；

(2)激活函数：ResUnet中选择ReLU作为激活函数，它能够把输入的负数变为零，输入的正数原封不动的输出；

(3)归一化：2维模型用Batch Normalization进行归一化，batch大小由图像分辨率确定；3维模型参数量比二维多，每次只允许输入1个3维PET图，将2维模型中的BatchNormalization改用Group Normalization；

(4)评价标准：最后评价分割效果好坏的标准，用Dice相似系数来评价分割的好坏，Dice相似系数越高，预测结果与真实标签的重合率越高；

(5)损失函数：选择Dice相似系数作为损失函数，交叉熵损失函数对于正负样本不均衡的情况具有较大的局限性，Dice相似系数作为损失函数可以克服这个困难，该损失函数关注于预测的淋巴瘤前景和真实标签中的淋巴瘤前景的交集和并集，不会因背景像素过多而导致损失函数太小的问题；

(6)其他参数：模型采用resnet作为编码器，unet中的双线性差值作为解码器，训练轮数为500轮，当验证集的Dice相似系数在20轮不再提高时为结束，学习率为0.001。

3.根据权利要求1或2所述的一种融合2维和3维模型的PET图像分割方法，其特征在于：所述步骤2中，所述数据处理的过程为：

(2.1)将3维的PET数据裁剪成48×96×480形状以统一所有数据的尺寸；

(2.2)对于2维模型：将3维数据沿宽增大的方向进行切片，得到数量与宽相关，大小为长乘高的2维切片；将3维数据沿高增大的方向进行切片，得到数量与高相关，大小为长乘宽的2维切片；将3维数据沿长增大的方向进行切片，得到数量与长相关，大小为宽乘高的2维切片；

(2.3)对所有2维切片进行归一化，得到最终用于训练的数据。

4.根据权利要求1或2所述的一种融合2维和3维模型的PET图像分割方法，其特征在于，所述步骤3中，所述的过程为：将预处理的2维PET图和3维的PET图分别输入至2维和3维网络中进行训练，得到3维PET图的4个预测结果。

5.根据权利要求4所述的一种融合2维和3维模型的PET图像分割方法，其特征在于：利用步骤4得到的2维模型和3维模型的多个分割结果(X，Y，Z，3D)，通过均值求和((X+Y+Z+3D)/4)得到最终的分割结果。