[发明专利]一种基于改进U-net网络的肝肿瘤分割方法

说明书

本发明涉及一种基于改进U‑net网络的肝肿瘤分割方法，包括：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；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，并且对网络进行训练；步骤五、采用基于改进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，并从肝脏区域分割出肿瘤和正常肝脏组织。本发明除了可以消除大量的误分割之外，还可以降低网络模型的复杂度。

技术领域

本发明涉及一种基于改进U-net网络的肝肿瘤分割方法，属于一种肝肿瘤的分割方法领域。

背景技术

近年发展起来的经皮射频消融(Radio Frequency Ablation，RFA)技术是目前应用最广泛的局部微创治疗肝肿瘤的方法。经皮射频消融技术要求精准的切除肝脏肿瘤病变区域，保证好的肝脏非病变区域的完整性，减少手术过程中的病人的出血量和因为手术受到的创伤，给予患者最好的手术治疗效果和术后的恢复效果。

随着现代医学成像技术的发展，先后出现了计算机断层扫描(CT)，核磁共振成像(MRI)，超声(US)等医学成像技术。医学图像分割技术起到了巨大的作用。在目前的医疗诊断中，人工对一些医学图像进行分割所达到的效果是最佳的。这种手动分割方法有一个比较明显的劣势，就是很耗费时间和精力。而且手动分割不具有可重复性，医生的经验和医学水平都会导致分割效果产生差异。对同一个医生而言，两次的分割结果也很有可能不一致。这些对后续的医学图像处理产生一定不好的影响。

考虑到手动分割的种种不足，人们一直在渴望有一种高效方便的、实用简单的、具有可重复性的、可以精确地全自动分割医学图像的研究方法的出现，可以取代费时费力的手动分割方法。全自动分割医学图像的方法有助于提升现代的医疗水平，帮助医生对病人做出更全面的诊断和进一步的治疗，而且提高医生的工作效率，极大的提高手术准确性与安全性。

目前肝脏与肝脏肿瘤分割的难点主要体现在，由于肝脏和其他邻近器官之间的强度差异较小，肿瘤本身也是大小不一，形状各式各样，位置复杂多变的。而且肿瘤的边界与正常组织的边界比较相似，不太好区分边界，而且相同的病灶区域经常存在较大的影像差异，有低密度和不均匀的现象，以及不同的设备采集到的医学图像也是参差不齐。医学图像的噪声，局部模糊以及边际影像渗透，这就使得肝脏肿瘤的分割也越来越难。因此基于CT图像的肝肿瘤分割是一项具有挑战性的任务。

医学图像的分割方法主要分为传统的医学图像分割方法、基于机器学习的医学图像分割方法和基于深度学习的医学图像分割方法。传统的医学图像分割方法不适用于肿瘤分割这样的复杂分割任务，并且基于机器学习的医学图像分割方法比较依赖于手动设计和选择肝肿瘤的特征。因此，基于深度神经网络的医学图像分割被广泛地应用于医学图像处理的领域当中，而且有不错的分割表现。但是分割的精度与分割的内容和采用的深度学习模型有很大的关系。

发明内容

本发明的目的是提出一种基于改进U-net网络的肝肿瘤分割方法，以解决传统的医学图像分割方法和基于机器学习的医学图像分割方法在完成肝肿瘤的分割任务时具有较大的局限性的问题。

一种基于改进U-net网络的肝肿瘤分割方法，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；