[发明专利]一种改进U-net的肾脏肿瘤分割方法

说明书

本发明公开了一种改进U‑net的肾脏肿瘤分割方法，步骤为：通过像素叠加的方法将肾脏和肾脏肿瘤合并在一起；在编码器部分使用卷积对图像进行若干次提取，在解码器部分使用转置卷积生成对应的分割好的肾脏和肾脏肿瘤图像；在编码器中引入残差学习单元；在网络训练中使用洛瓦斯损失函数进行优化训练。本发明结合深度残差网络和The Lovasz‑Softmax loss损失函数，实现基于残差全卷积网络(ResUnet)的语义分割方法，该方法通过利用Lovasz hinge残差网络，来更好的提取图像的特征，本发明改进的方法比原始的方法更加优秀，有效的提高了肾脏肿瘤的分割精度。

技术领域

本发明属于肿瘤分割的技术领域，尤其涉及一种改进U-net的肾脏肿瘤分割方法。

背景技术

通过影像学检查来诊断肾脏肿瘤是医生确诊肾癌的重要手段，但是由于不同医生的主观思想不同，对病变分割的结果存在差异性，会导致分割结果不理想，进而影响对病症的判断。所以，肾脏图像的语义分割结果对肾癌的确诊具有很大的帮助。目前国内外针对上述问题的解决方法有两方面：一方面使用基于深度学习的方法；另一方面是使用传统算法。任璐等人(任璐，李锵，关欣，等.改进的连续型最大流算法脑肿瘤磁核共振成像三维分割[J].激光与光电子学进展，2018，55(11):111011)采用改进的连续型最大流算法，使用中值滤波和快速模糊C均值聚类进行预处理得到预处理图像，对各预处理图像进行线性融合得到三维融合图像，采用快速模糊C均值算法对三维融合图像进行聚类得到三维欠分割图像。时永刚等人(时永刚，钱梦瑶，刘志文.结合全卷积网络和GrowCut的肾皮质分割算法[J].中国图象图形学报，2017，22(10):1418-1427.)采用全卷积网络和图分割相结合的方法进行肾皮质分割。Cuinget等人(Rémi Cuingnet，Prevost，Lesage D，etal.Automatic Detection and Segmentation of Kidneys in 3D CT Images UsingRandom Forests[C]//Medical Image Computing and Computer-AssistedIntervention–MICCAI 2012.Berlin Heidelberg:Springer，2012:66-74.)采用随机森林算法初步定位数据中的肾脏组织，然后使用形变模型将定位到的肾脏区域概率图进行形变，分割肾脏图像。Freimen等人(Freiman M，Kronman A，Esses S J，et al.Non-parametric Iterative Model Constraint Graph min-cut for Automatic KidneySegmentation[C]//Medical Image Computing and Computer-Assisted Intervention–MICCAI 2010.Berlin Heidelberg:Springer，2010:73-80.)采用马尔科夫随机条件场求解问题的方法得到图像的分割结果。

深度学习是通过学习样本数据的信息达到对数据样本的理解，这些学习过程中获得的信息在研究图像数据的时候能够提供很大的帮助。一直到2006年，Geoffrey Hinton在对深度学习这一概念的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。卷积神经网络(CNN)由纽约大学的Yann Lecun提出的，经过一段时间的发展，2015年Long等人根据CNN提出了新的全卷积神经网络(FCN)用于语义分割，随后语义分割开始了蓬勃发展，2016年Zhao等人提出PSPNet聚合不同区域的上下文信息，从而提高获取全局信息的能力，2017年Badrinarayanan V等人提出了Segnet用于自动驾驶图像语义分割，2019年Wu等人提出FastFCN更进一步的带动了语义分割的发展。