[发明专利]一种用于子宫内膜肿瘤分割的网络模型及分割方法

权利要求书

1.一种用于子宫内膜肿瘤分割的网络模型，其特征在于，以U-net网络为基础训练两个网络模型：第一网络模型和第二网络模型，所述第一网络模型用于分割图像中子宫区域，所述第二网络模型用于分割图像中子宫内膜肿瘤区域；

以子宫内膜癌的MR图像及其对应的分割图作为训练集来训练网络模型，其中使用能量函数计算每个像素点的soft-max值，其定义为：

其中a_k(x)表示像素的位置x处的特征通道类别数量k的激活值，p_k(x)是近似的最大函数；

训练模型使用二进制交叉熵训练每个像素，并使用高斯分布初始化卷积核，使用梯度下降训练损失函数，使其收敛到最小值，更新公式为：

式中，∝为学习率。

2.一种子宫内膜肿瘤分割的分割方法，使用如权利要求1所述的用于子宫内膜肿瘤分割的网络模型，其特征在于，包括以下步骤：

步骤1：对原始图像进行预处理；

步骤2：将图像输入第一网络模型，对输入图像进行训练，得到子宫区域的分隔结果I₁；

步骤3：将子宫区域灰度图像输入第二网络模型中进行训练，得到肿瘤的分隔结果I₂。

3.根据权利要求2所述的子宫内膜肿瘤分割的分割方法，其特征在于，在步骤1中，对图像进行预处理，包括归一化处理以及对图像进行尺寸调整的处理。

4.根据权利要求2所述的子宫内膜肿瘤分割的分割方法，其特征在于，在步骤2中，包括以下步骤：

步骤2.1：制作训练集，将分割子宫区域的训练集的mask制作为子宫区域为白色，其余区域为黑色的二值图像；

步骤2.2：以U-net网络结构为基础设计第一神经网络，对输入图像进行训练，将图像中子宫区域进行精准分割，并通过反复实验和训练得到网络模型W₁；得到子宫区域的分割结果I₁。

5.根据权利要求4所述的子宫内膜肿瘤分割的分割方法，其特征在于，在步骤3中，包括以下步骤：

步骤3.1：将第一网络模型训练使用的mask与第一网络模型的输入图像进行叠加，得到子宫区域为原始灰度，其余区域为黑色的图像，制作子宫内膜肿瘤的mask，将操作得到的图像作为第二网络模型的训练集；

步骤3.2：以U-net网络结构以为基础设计第二个神经网络，将子宫区域灰度图像输入第二个网络模型中进行训练，对子宫区域灰度图像中的肿瘤进行精准分割，并通过反复实验和训练得到网络模型W₂；得到最终的肿瘤的分割结果I₂。