[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

说明书

本发明公开了一种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，能够精确地确定肝脏以及肝脏肿瘤的轮廓位置，实现更为精准地肝脏和肝脏肿瘤分割，具有广阔地应用前景，本发明的网络模型利用可变形卷积来增强传统编码器的特征表示能力，帮助其学习具有自适应空间结构信息的卷积核，排除肝脏肿瘤位置大小不同的干扰；利用提取多尺度上下文信息的Ladder空间金字塔池化模块编码图像中的全局特征信息，进而更加精确地确定肝脏以及肝脏肿瘤的轮廓位置，实现更为精准的肝脏和肝脏肿瘤分割，具有广阔的应用前景。

技术领域

本发明属于图像处理技术及模式识别领域，具体涉及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。

背景技术

当前原发性肝癌已成为全世界范围内最常见且致死率最高的几种癌症之一，严重威胁着人类的生命健康。对腹部CT图像进行准确的肝脏和肝脏肿瘤分割对于辅助医生诊断、提升治疗成功率和减轻患者伤害有着重要的价值。然而CT图像通常具有噪声大、对比度低的特点，这使得图像中肝脏和肝脏肿瘤与其他组织的边界灰度差异性较小，并且肝脏肿瘤的形状是高度变化的，难以直观划定，因此肝脏和肝脏肿瘤的分割比较困难；除此之外，对腹部CT图像进行逐切片手工标注不仅过程繁琐、效率低下，而且极易受到主观因素的影响，导致其分割精度有限。因此，精准实现肝脏和肝脏肿瘤分割的半自动或全自动方法一直是医学图像分析领域中的重要研究目标之一。目前，计算机视觉结合医学影像研究已成为智能医疗领域热点。其中，基于深度学习的肝脏及肝脏肿瘤分割技术可以获取肝脏以及肝脏肿瘤的大小以及几何形状等信息，从而辅助医生的初期诊断和治疗。

在深度学习技术出现之前，肝脏和肝脏肿瘤分割通常是半自动的，它们主要依靠基于模型驱动的图像分割算法，例如区域增长、活动轮廓模型、图形剪切和形状统计模型等。这些方法可以大致分为三类：基于像素的方法、基于图的方法和基于轮廓的方法。第一种方法包括阈值化和区域合并，由于采用了低级特征和有限的模型表示能力，它们只能实现较低的肝脏和肝脏肿瘤分割精度。基于图的方法比基于像素的方法具有明显的优势，因为它们采用最大流量/最小割算法来找到最小成本的封闭集。这种半自动方法可以通过简单地标记前景和背景来实现肝脏分割，并且它们不需要迭代操作。但是，这些分割结果很容易受到标记结果的影响，并且图切算法要求高分辨率图像具有较高的计算成本。因此，研究人员经常采用图割和其他算法(例如分水岭、形状约束和多尺度配准等)的组合来提高肝脏和肝脏肿瘤的分割精度和计算效率。基于轮廓的肝脏分割或肝脏肿瘤分割可以利用曲线或形状演变提供更好的分割结果。水平集是其中较主流的算法之一，因为它能利用能量优化将给定的曲线演化为感兴趣对象的边界，为肝脏或肝脏肿瘤分割提供有效特征信息。

相比于传统肝脏分割方法，深度学习方法能够充分利用大量训练样本的数据多样性，使得肝脏及肝脏肿瘤分割结果优于传统方法。全卷积神经网络(Fully ConvolutionalNetworks,FCN)是一种经典的端到端深度学习网络，该网络通常采用多级编码器-解码器结构，并且编码器和解码器通常由大量标准卷积层与反卷积层组成。Ronneberger等人提出编码器和解码器完全对称的U-Net获得了较好的分割结果，但是固定几何形状的卷积通常会无法与肝脏和不规则的肿瘤相匹配，不能有效的提取到语义特征。Seo等人在编码与解码器之间的跳跃连接中加入卷积和激活操作，以增强网络对肝脏及肝脏肿瘤的检测能力，进而获得较好的分割结果，但该分割方法无法有效利用图像空间上下文信息，且无法对肝脏以及肝脏肿瘤的全局特征信息进行提取，因此分割精度较差。Christ等人采用级联的U-net模型实现肝脏以及肝脏肿瘤分割，该方法能得到较好的肝脏肿瘤分割效果，但是分割边缘不够精细，平滑度较差。

发明内容

为了解决现有技术中的问题，本发明提供了一种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，能够精确地确定肝脏以及肝脏肿瘤的轮廓位置，实现更为精准地肝脏和肝脏肿瘤分割，具有广阔地应用前景。