[发明专利]基于双向复注意力深度网络的肾脏CT图像分割方法

说明书

本发明公开了基于双向复注意力深度网络的肾脏CT图像分割方法，包括以下步骤：(1)采集腹部CT图像切片扫描序列，构建数据集；通过标注软件对肾脏区域进行标注，生成对应的标签；(2)将CT图像切片分层处理，并对CT图像中标签进行预处理，将预处理的结果与标签按比例划分为训练集及测试集；(3)构建双向复注意力机制分割网络模型；(4)利用训练集训练双向复注意力机制分割网络参数；(5)然后利用测试集测试，输入已经训练好的U型网络分割模型，分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。本发明能快速准确确定肾脏区域边界，实现在CT图像中肾脏区域的自动分割，提高分割效率，减轻医生工作量，有广阔应用前景。

技术领域

本发明涉及图像处理方法，特别涉及一种基于双向复注意力深度网络的肾脏CT图像分割方法。

背景技术

传统医学诊断中，医生的判断几乎是一个决定性的考量因素。然而，这种对医生的依赖存在一定的问题，比如耗时长，医生在高强度的重复工作条件下难以准确判断。早期的图像分割是由有经验的医生手动勾画，主观性强，不能够准确有效判断。现阶段，计算机分割技术仍处于半自动化状态，仍需依赖操作者的经验来进行判断。

近年来，国内外学者在医学图像肾脏分割领域做出了相应的研究和贡献，大致可以分为两类，一类是传统方法，一类是深度学习方法。传统方法是指利用先验知识和图像特征实现分割，此类方法的基本原理是根据图像中不同区域的不同特征(如灰度值、纹理、尺寸等)和已知的结构信息对图像中的像素进行分类处理，传统方法有人为因素，不能够实现完全自动分割，且处理过程较为繁琐，中间难免不出差错，影响人力与财力；相较于传统学习方法，深度学习方法是基于卷积神经网络(CNN)设计的深度网络分割模型，此类方法主要采用数据驱动的模式，其性能与数据的数量和质量密切相关，通过合理设置网络结构与优化学习方法，同时构建恰当的损失函数并进行迭代训练，使得模型具有高效提取图像特征的能力，能够自动分割所关注的目标，无需人为干预且操作过程较为简单，相比于传统方法更为高效。但由于人体肾脏中会出现不同的特征，一些问题并没有很好解决，比如如何处理肾脏图像模糊，中间轮廓不清楚，与周边组织分布不清，形状怪异等情况。一些简单的卷积神经网络也并不能很好地解决医学图像肾脏分割领域的问题，如全连接神经网络，基于VGG的神经网络，基于ResNet的神经网络，他们对于特征的提取能力有限，并不能很好地对局部进行很好地定位，或者说定位模糊。

发明内容

发明目的：本发明提供一种能够将CT图像切片中肾脏区域自动、准确分割的基于双向复注意力深度网络的图像分割方法。

技术方案：基于双向复注意力深度网络的肾脏CT图像分割方法，包括以下步骤：

(1)采集腹部CT图像切片扫描序列，构建相应的切片数据集；通过标注软件对CT图像切片的肾脏区域进行标注，生成对应的标签；

(2)将CT图像切片分层处理，并对CT图像中标签进行预处理，将预处理的结果与标签按比例划分为训练集及测试集；

(3)构建双向复注意力机制分割网络模型，并选择损失函数；所述双向复注意力机制分割网络模型包括双注意力机制模块和特征双向传递模块；

(4)利用训练集训练预设好相关超参数的双向复注意力机制分割网络参数；

(5)利用测试集测试，将参数输入已经训练好的双向复注意力机制分割模型后分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。

优选的，步骤(1)中，所述腹部CT图像切片扫描的样本数目≥100例，保证数据的完整性。

优选的，步骤(1)中，所述标注软件为Labelme。

优选的，步骤(2)中，所述预处理包括简单缩放、逐样本均值消减、特征标准化、调整窗位、窗宽值。