[发明专利]一种基于ResUnet的3视图PET图像分割方法

权利要求书

1.一种基于ResUnet的3视图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、针对淋巴瘤病灶特点设计或修改网络模型，使之适合淋巴瘤的分割；

步骤2、将3维的训练数据沿3个视图方向进行切片，得到3视图方向的2维数据；

步骤3、将3个视图方向的2维数据分别输入到网络中进行训练，将3个预测结果进行加权求和得到最终的分割结果；

步骤4、将测试数据输入预测模型，得到测试数据的分割结果。

2.根据权利要求1所述的一种基于ResUnet的3视图PET图像分割方法，其特征在于：所述步骤1中，PET数据分辨率并不高，ResUnet原网络包含5个下采样层，会导致最后的特征图太小，信息丢失严重，将其下采样层数减少到3层更利于细节信息的保留。

3.根据权利要求1或2所述的一种基于ResUnet的3视图PET图像分割方法，其特征在于：所述步骤2中，所述数据预处理的实现过程为：

(1)对于正视图：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；

(2)对于俯视图：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；

(3)对于左视图：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；

(4)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所述的一种基于ResUnet的3视图PET图像分割方法，其特征在于：所述步骤3中，ResUnet神经网络预测模型参数如下：

(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，其导数为1，利于反向传播优化参数；

(3)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；

(4)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；

(5)其他参数：训练轮数为200轮，当在验证集上20轮Dice相似系数没有上升则停止训练，batch_size根据输入图片分辨率确定，16到128不等，学习率为0.001。