[发明专利]一种基于ResUnet的3视图PET图像分割方法

说明书

一种基于ResUnet的3视图PET图像分割方法，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(俯视，正视，左视)进行切片，得到3个视图方向的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，得到3个分割模型，分别对应3个视图方向的数据；步骤4、将测试数据分别输入到3个预测模型，将3个预测结果进行加权求和得到测试数据的最终的预测结果。本发明增加了2维模型对3维数据的空间信息利用，提高了分割的准确率。

技术领域

本发明涉及到一种基于ResUnet的PET图像分割方法，具体而言，通过3维PET数据的3个视图方向获得更加完整的3维信息，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，氟代脱氧葡萄糖(FDG)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，目前PET检查85％是用于肿瘤的检查，因为绝大部分恶性肿瘤葡萄糖代谢高，FDG作为与葡萄糖结构相似的化合物，静脉注射后会在恶性肿瘤细胞内积聚起来，所以PET能够鉴别淋巴瘤及正常组织。

随着深度学习在计算机视觉中的广泛应用，语义分割、实例分割、全景分割等新概念与方法的提出为PET图像分割带来了全新的视角。这些分割方法大多基于深度卷积神经网络实现，通过为图像中每一个像素赋予类型标签而实现目标分割，从FCN开始，U-Net、Deeplab、PSPNet、Mask-RCNN等各类网络方法层出不穷，U-Net以其优越的分割性能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。然而ResUnet还是针对2维的图片数据进行分割，对3维的PET数据的利用时会有信息的丢失，通过在3个视图上分别进行分割，再将分割的结果进行均值求和能够更好的利用3维的PET数据，从而达到更高的分割精度。

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克服2维网络对3维的PET数据利用不完全的问题，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，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，最后通过均值求和得到最终的分割结果，相对于传统的只利用高方向的切片有更好的3维PET利用率，能得到更精确的分割结果。

本发明解决其技术问题所采用的技术方案是：

一种基于ResUnet的3视图PET图像分割方法，包括以下步骤：

步骤1、针对淋巴瘤病灶特点修改网络模型，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个预测结果进行均值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。

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。