[发明专利]一种基于改进U-net网络的肝肿瘤分割方法

权利要求书

1.一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，包括以下步骤：

步骤一、获取腹部CT数据集，并进行预处理操作；

步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；

步骤三、对基于改进U-net的肝脏分割网络进行训练，所述基于改进U-net的肝脏分割网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；

步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对所述基于改进U-net的肝肿瘤分割网络进行训练；

步骤五、根据步骤三和步骤四训练好的两个分割网络，采用所述基于改进U-net的肝脏分割网络从腹部肝脏CT图像中分割出肝脏区域，将完整的肝脏分割出来，并将肝脏区域作为所述基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织，

在步骤二中，具体包括以下步骤：

步骤二一、在U-net网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型；

步骤二二、在原U-net网络模型的基础上加深网络，并在网络中添加残差结构防止网络性能的下降；

步骤二三、使用Keras深度学习框架搭建基于改进U-net的肝脏分割网络。

2.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤一中，具体包括以下步骤：

步骤一一、将原数据集中的图片格式转换为.png，转换后的每张CT图片像素大小为512×512，灰度值范围为0到255之间；

步骤一二、将数据集中的CT图像和对应的mask图像分为训练集、测试集和验证集；

步骤一三、对数据集图像数据做标准化处理，对mask图像做二值化操作，先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理。

3.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤三中，具体包括以下步骤：

步骤三一、在网络中输入训练集和验证集，使用训练集进行基于Keras搭建好的网络模型的训练，开始基于改进U-net的肝脏分割网络的训练；

步骤三二、验证集用于网络模型在训练过程中的验证工作，当找到学习轮次之后，提前结束训练，保存训练好的网络模型参数；

步骤三三、在训练结束之后，使用训练好的肝脏分割网络模型来测试数据。

4.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤四中，具体包括以下步骤：

步骤四一、使用Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络；

步骤四二、网络中输入进行了预处理的数据集，所述进行了预处理的数据集有训练集、验证集和测试集的CT图像数据集和对应的肝肿瘤的mask图像，重复步骤三，完成基于改进U-net的肝肿瘤分割网络的训练、验证以及测试。

5.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤五中，具体包括以下步骤：

步骤五一、对于预处理后的一张CT图像，采用训练好的基于改进U-net的肝脏分割网络进行分割，将CT图像中的肝脏区域分割出来，得到原CT图像对应的肝脏区域的mask图像；

步骤五二、使用肝脏区域的mask图像将原CT图像进行处理，只将肝脏区域内的部分截取出来；

步骤五三、将截取后的CT图像作为输入，采用训练好的基于改进U-net的肝肿瘤分割网络进行分割，得到最终的肝肿瘤分割结果。