[发明专利]一种肿瘤自动分割系统、方法及电子设备

权利要求书

1.一种肿瘤自动分割方法，其特征在于，包括以下步骤：

步骤a：获取肿瘤部位的原始图像；

步骤b：对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；

步骤c：结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；

步骤d：将所述间距、强度分布和形状数据输入MILU-Net网络模型，得到肿瘤分割结果。

2.根据权利要求1所述的肿瘤自动分割方法，其特征在于，在所述步骤c中，所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层；所述MILU-Net网络呈U形对称结构，分为编码-解码两个阶段；所述编码阶段是特征提取部分，为U型结构的左侧部分，所述编码阶段融入了多尺度输入机制的最小化信息损失模块，所述最小化信息损失模块通过空洞卷积获取图像中的信息；所述解码阶段是特征复原部分，为U型结构的右侧部分，所述解码阶段融合了注意力机制模块，所述注意力机制模块用于抑制图像中的不相关区域。

3.根据权利要求2所述的肿瘤自动分割方法，其特征在于，所述最小化信息损失模块应用在下采样阶段，其包括空洞卷积层、卷积层、修正线性单元、归一化层；所述编码阶段的特征提取方式具体为：所述图像经过空洞卷积层获取全局信息，将分辨率变为与同级层图像相同的分辨率，再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加，然后由两个连续的3x3的卷积层进行特征提取操作，再由一个3x3的最大池化进行下采样操作，且以所述图像特征通道数30开始，每进行一次下采样操作后，图像的特征通道数都进行加倍。

4.根据权利要求3所述的肿瘤自动分割方法，其特征在于，所述解码阶段包括4个block+1个概率输出层，所述四个block分别由一个上采样层和两个3x3卷积组成；所述解码阶段的特征复原方式具体为：将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中，经过所述注意力机制模块计算每个像素的重要系数，再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分，且每进行一次反卷积上采样时，图像特征通道数减半，最后通过1x1的sigmoid层输出每个像素所属的概率图。

5.根据权利要求1至4所述的肿瘤自动分割方法，其特征在于，所述双阶段级联架构模块包括两部分，第一部分以原始图像作为输入，包括全分辨率的肿瘤二值金标准和原始图像，第二部分以第一部分输出的二值预测分割结果图为基础，进行裁剪操作，去除肿瘤以外的无关部分，并重新输入到训练网络中，输出的结果再按照原位置插回到原始图像中，得到最终的肿瘤分割结果。

6.一种肿瘤自动分割系统，其特征在于，包括：

图像获取模块：用于获取肿瘤部位的原始图像；

图像处理模块：用于对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；

网络构建模块：用于结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；

结果输出模块：用于将所述间距、强度分布和形状数据输入MILU-Net网络模型，得到肿瘤分割结果。

7.根据权利要求6所述的肿瘤自动分割系统，其特征在于，所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层；所述MILU-Net网络呈U形对称结构，分为编码-解码两个阶段；所述编码阶段是特征提取部分，为U型结构的左侧部分，所述编码阶段融入了多尺度输入机制的最小化信息损失模块，所述最小化信息损失模块通过空洞卷积获取图像中的信息；所述解码阶段是特征复原部分，为U型结构的右侧部分，所述解码阶段融合了注意力机制模块，所述注意力机制模块用于抑制图像中的不相关区域。