[发明专利]一种基于多尺度特征学习的肾肿瘤分割方法

权利要求书

1.一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于，包括以下步骤：

S1、获取腹部扫描图像，对获取的腹部扫描图像划分训练集；

S2、对训练集内的腹部扫描图像进行预处理，得到预处理后的图像；

S3、构建多尺度特征网络，通过该网络结合金字塔池化模块及特征金字塔融合模块，捕捉图像全局结构信息从而进行精准的肾脏分割；

S4、通过多尺度特征网络对S2中预处理后的图像进行预测和分割。

2.如权利要求1所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述步骤S2中预处理操作具体为将获取的腹部扫描图像在XYZ三个方向的采样间距都下采样4mm，放缩后的图像为原来的1/16。

3.如权利要求1所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述步骤S3中构建的多尺度特征网络由若干个下采样路径的编码器和若干个上采用路径的解码器配合跳跃连接组成；预处理后的图像输入多尺度特征网络进行3次下采样操作及3次上采样操作；金字塔池化模块设置在多尺度特征网络的最底层对特征图进行全局平均池化；特征金字塔融合模块设置在多尺度特征网络最顶层的解码器用于输出肾肿瘤分割结果。

4.如权利要求3所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述特征图原始尺寸为128×128×64经过3次下采样操作，第一次下采样中Z方向的步长为1，降维得到16×16×16的特征图，通过金字塔池化模块对特征图进行全局平均池化、尺寸为8×8×8的特征图最大池化、尺寸为4×4×4的特征图最大池化及尺寸为2×2×2的特征图最大池化操作，分别得到尺寸为1×1×1、2×2×2、4×4×4及8×8×8的高维全局特征图。

5.如权利要求4所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述尺寸为1×1×1的高维全局特征图包含全局信息；尺寸为1×1×1、2×2×2、4×4×4及8×8×8的高维全局特征图分别经过1×1×1的卷积操作后得到原有通道数的1/4，通过双线性插值进行上采样，四种尺寸的高维全局特征图均得到尺寸为16×16×16的高维全局特征图，并将不同尺寸所得到的16×16×16的高维全局特征图与尺寸为16×16×16的特征图在通道方向上进行连接，再通过1×1×1的卷积对所有特征图进行融合降维，得到原有通道数。

6.如权利要求3所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述特征金字塔融合模块配合解码器分别输出3个不同尺寸的特征图，尺寸分别为32×32×32、64×64×64及128×128×128。

7.如权利要求6所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述3个不同尺寸的特征图进行卷积核大小为3×3×3的卷积和反卷积操作，均得到128×128×64的特征图，将3个128×128×64的特征图在通道方向上进行连接，再通过1×1×1的卷积进行特征聚合得到肾肿瘤的分割结果。

8.如权利要求3所述的一种基于多尺度特征学习的肾肿瘤分割方法，其特征在于：所述多尺度特征网络设有纠错自适应的交叉熵损失函数CCE，纠错自适应的交叉熵损失函数CCE的公式如下：

其中，L_CCE表示预测结果与标签的距离；p_i表示第i个像素点被预测为肾肿瘤的概率，取值范围为0-1；y_i表示对应的标签，取值为0或1；γ_i表示每个像素点的纠错权重；β、λ₁及λ₂表示控制整体分子分母协调变化速度的参数；α_correct表示纠错变量指预测分割的错误像素点个数情况。