[发明专利]一种融合2维和3维模型的PET图像分割方法

说明书

一种融合2维和3维模型PET图像分割方法，基于全卷积神经网络的逐像素分类的技术；由于3维图像的特点，3维模型将产生更准确的分割结果，在3维模型的分割基础上融合2维模型的分割结果以补充2维的细节信息，更有利于提高分割的准确率，其具体步骤为：步骤1，针对淋巴瘤的成像特点设计或修改2维和3维网络结构；步骤2，预处理原始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，将两者的输出进行均值求和得到最终的分割结果。本发明提升了PET图像分割的准确率，达到较高的Dice相似系数指标。

技术领域

本发明涉及到一种基于ResUnet的融合2维模型和3维模型的PET图像分割方法，具体而言，通过融合2维模型和3维模型分别对淋巴瘤的预测结果获得更好的更准确的分割结果，本发明属于计算机视觉的图像识别中的图像分割方法，而非医学目的的疾病诊断或治疗方法，是一种PET图像分割方法。

背景技术

淋巴瘤是具有相当异质性的一大类肿瘤，虽然好发于淋巴结，但是由于淋巴系统的分布特点，使得淋巴瘤属于全身性疾病，几乎可以侵犯到全身任何组织和器官。因此，从PET图像中自动的分割淋巴瘤具有较大的挑战性。

PET全称为：正电子发射型计算机断层显像(Positron Emission ComputedTomography)，是核医学领域比较先进的临床检查影像技术。其大致方法是，将某种物质，一般是生物生命代谢中必须的物质，如氟代脱氧葡萄糖注入人体后，通过对于该物质在代谢中的聚集，来反映生命代谢活动的情况，从而达到诊断的目的。其机制是，人体不同组织的代谢状态不同，在高代谢的恶性肿瘤组织中葡萄糖代谢旺盛，聚集较多，这些特点能通过图像反映出来，从而可以通过计算机图像识别实现PET图像的分割。

随着卷积神经网络在计算机视觉中的广泛应用，传统的图像分割方法在分割效果和自适应方面渐渐不如深度学习的方法。语义分割、实例分割、全景分割等新概念与方法的提出为图像分割带来了全新的视角。这些分割方法都是基于深度卷积神经网络实现，通过实现对图像的像素级别的分类而达到对图像中的物体具体分割的效果，从全卷积网络(FCN)开始，U-Net、Deeplab、PSPNet、Mask-RCNN等各类网络方法层出不穷，各自在不同的领域有着不同的优势。U-Net以其优越的分割性能和简单的网络结构而在医学图像分割上广为使用。ResUnet将U-Net的特征提取替换为目前特征提取功能优秀的resnet，大幅度提高了分割的准确率。随着技术的发展，显存不再作为神经网络训练的束缚条件，允许3维网络模型的训练，而3维网络可以更高效的利用3维数据的信息，但其也存在缺少预训练模型的缺点，而导致训练过程不稳定。

发明内容

本发明的目的是提供一种PET图像的自动分割方法来融合2维网络和3维网络各自的优势来取得更好的预测结果，具体是将3维的PET数据沿着长宽高的方向分别分割成3个2维的数据集，将3个2维的数据集分别输入到卷积神经网络中训练，最终会得到3个对应的模型，此外将3维的PET数据直接输入到3维的卷积神经网络中训练，得到3维的训练完毕的模型。将测试数据同样沿着长宽高方向进行切片，将得到的3个数据集分别输入到对应的网络模型中得到3个对应的预测结果，此外，将3维测试数据直接输入至3维模型中得到3维模型的预测结果，最后通过均值求和得到最终的分割结果，通过融合2维和3维模型的优势，能得到更精确的图像分割预测结果。

本发明解决其技术问题所采用的技术方案是：

一种融合2维和3维模型的PET图像分割方法，包括以下步骤：

步骤1、针对PET图像的特点设计或修改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。