[发明专利]基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置

权利要求书

1.一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法，其特征在于，具体包括以下步骤：

步骤1、读取患者CT影像和对应的分割掩摸图，对CT影像数据预处理，生成训练样本集；

步骤2、构建3D U-Net网络模型分割CT影像中的肾器官，输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习，经训练收敛后使用该模型来分割CT影像中的肾脏；

步骤3、加入注意力机制模型构建改进的U-Net网络模型分割肾脏中的肿瘤，输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习，经训练收敛后使用该模型来分割CT影像中的肾肿瘤。

2.根据权利要求1所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法，其特征在于，所述步骤1具体包含如下步骤：

步骤1.1：读取原始图像，设置合适的窗宽窗位信息来截断非肾脏区域的图像，使用图像直方图均衡化技术抑制背景信息；

步骤1.2：获取掩摸图像信息，读取掩摸图像，输出掩摸的全部标签值，其中，0是背景，1是肾脏，2是肾脏肿瘤；

步骤1.3：对CT图像进行插入运算，调整图像的尺寸，对CT图像分块。

3.根据权利要求1所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法，其特征在于，所述步骤2具体包含如下步骤：

步骤2.1：构建3D U-Net分割网络模型，3D U-Net是一种经典的编码器-解码器分割网络，编码器逐层提取更高级的语义特征，解码器路径恢复每个体素的定位，并利用特征信息对其进行分类，为了使用嵌入在编码器中的位置信息，在同一级中的层之间构建直接连接；

步骤2.2：将训练样本集以及背景和肾脏掩摸图送入该3D U-Net分割网络模型，初始化权重参数，设置学习速率，使用Adam优化器迭代训练多次，直至分割模型收敛；

步骤2.3：使用该模型来分割CT影像，输出影像中的肾脏器官。

4.根据权利要求1所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置，其特征在于：所述步骤3具体包含如下步骤：

步骤3.1：构建AGs-U-Net分割网络模型，其中，AGs-U-Net是加入注意力机制模型的U-Net网络模型，使用注意力机制模型使得U-Net网络加深对肾脏中的微小肿瘤的关注度；

步骤3.2：将训练样本集以及肾脏和肾肿瘤掩摸图送入该AGs-U-Net分割网络模型，初始化权重参数，设置学习速率，使用Adam优化器迭代训练多次，直至分割模型收敛；

步骤3.3：使用该模型分割CT影像，输出影像中的肾肿瘤区域。

5.一种基于权利要求1至4任一项所述的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的分割装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序。