[发明专利]一种基于多尺度特征学习的肾肿瘤分割方法

说明书

本发明公开了一种基于多尺度特征学习的肾肿瘤分割方法，其包括以下步骤：S1、获取腹部扫描图像，对获取的腹部扫描图像随机划分训练集；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，充分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；本发明有效检测体积不同的肾肿瘤，避免产生假阴性结果，得到准确度高的检测结果。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种基于多尺度特征学习的肾肿瘤分割方法。

背景技术

肾脏是人体的重要器官，肾功能一旦受损会导致多种代谢终产物在体内堆积，进而影响到生命安全。在多种肾脏疾病中，肾肿瘤是肾脏健康的头号危险病种。目前CT影像学检查是肾肿瘤等肾脏疾病的主要检查方式之一，根据肾肿瘤的大小，医生可以对肿瘤的严重程度进行分级，并制定相应的治疗手段；同时对肾肿瘤定位，并分析形状和大小；现有通过医学图像处理对获取到的肾脏图像进行肾脏及肾肿瘤区域的精确分割判断，有效缓解了医生的工作量及展示了科技智能化的成效，现有分割方法常用的检测分割网络是U-Net网络，但是肾肿瘤之间存在较大异质性，表现为不同肾肿瘤在外形和体积大小上存在较大差异，导致U-Net网络难以鲁棒地学习到每个肿瘤的特征，对于小体积肾肿瘤，容易产生假阴性结果，难以得到准确度高的检测结果。

发明内容

本发明的目的在于提供一种基于多尺度特征学习的肾肿瘤分割方法，该方法有效检测体积不同的肾肿瘤，避免产生假阴性结果，得到准确度高的检测结果。

为实现上述目的，本发明采用以下技术方案：

一种基于多尺度特征学习的肾肿瘤分割方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。