[发明专利]可变形的上下文编码网络模型及对肝脏及肝脏肿瘤的分割方法

权利要求书

1.一种可变形的上下文编码网络模型，其特征在于，采用U型编解码结构，包括特征编码器模块、Ladder-ASPP模块和特征解码器模块，所述Ladder-ASPP模块在所述特征编码器模块和所述特征解码器模块的级联处，所述特征编码器模块采用残差连接的可变形卷积块提取输入图像的深层语义特征，获取原始特征图并将原始特征图输入所述Ladder-ASPP模块；所述Ladder-ASPP模块对原始特征图进行全局平均池化处理，并经过1×1卷积后，使用Sigmoid激活后与原始特征图逐通道相乘来进行通道特征加权，获取第一特征图；以及，所述Ladder-ASPP模块通过密集连接的不同扩张率的3×3卷积对原始特征图进行整合获取上下文信息，获取第二特征图；并且，所述Ladder-ASPP模块将第一特征图和第二特征图拼接后反馈给所述特征解码器模块，所述特征解码器模块采用包含1×1卷积和3×3转置卷积的转置卷积块来进行特征解码，经过跳跃连接和融合来自输入图像的特征和转置卷积块，恢复出分割结果图。

2.根据权利要求1所述的一种可变形的上下文编码网络模型，其特征在于，还包括注意力模块，所述注意力模块对分割结果图的目标区域信息和边缘细节信息进行平滑处理。

3.根据权利要求1所述的一种可变形的上下文编码网络模型，其特征在于，所述网络模型采用CT图像和金标准作为输入，设定模型运行参数进行训练直至网络收敛。

4.根据权利要求3所述的一种可变形的上下文编码网络模型，其特征在于，所述网络模型的训练中，设定模型运行参数包括设定学习率和设定可变形卷积块的偏移层的学习率，并使用Adam梯度下降来优化网络模型。

5.根据权利要求1所述的一种可变形的上下文编码网络模型，其特征在于，所述Ladder-ASPP模块包括密集连接的扩张率分别为1、2、5和7的3×3卷积。

6.一种采用权利要求1-5中任一项所述的可变形的上下文编码网络模型对肝脏及肝脏肿瘤的分割方法，其特征在于，包括以下步骤：

1）预处理：将肝脏的CT图像设置至设定的对比度，并对CT图像进行归一化处理；

2）将预处理后的CT图像输入所述可变形的上下文编码网络模型，所述特征编码器模块采用残差连接的可变形卷积块提取CT图像的深层语义特征，获取原始特征图并将原始特征图输入所述Ladder-ASPP模块；所述Ladder-ASPP模块对原始特征图进行全局平均池化处理，并经过1×1卷积后，使用Sigmoid激活后与原始特征图逐通道相乘来进行通道特征加权，获取第一特征图；以及，所述Ladder-ASPP模块通过密集连接的不同扩张率的3×3卷积对原始特征图进行整合获取上下文信息，获取第二特征图；并且，所述Ladder-ASPP模块将第一特征图和第二特征图拼接后反馈给所述特征解码器模块，所述特征解码器模块采用包含1×1卷积和3×3转置卷积的转置卷积块来进行特征解码，经过跳跃连接和融合来自CT图像的特征和转置卷积块，恢复出初步分割结果图；

3）对初步分割结果图进行自适应形态学重建优化，即得到肝脏以及肝脏肿瘤的最终分割结果图。

7.根据权利要求6所述的采用可变形的上下文编码网络模型对肝脏及肝脏肿瘤的分割方法，其特征在于，所述步骤1）中预处理采用W/L调窗算法将肝脏的CT图像进行窗宽窗位设置，以设定对比度。