[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

说明书

本发明提出一种用于子宫内膜肿瘤分割的网络模型及分割方法，主要包括以下处理步骤：对原始图像进行预处理；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；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。本发明对于在整张MR图像上直接对子宫内部肿瘤进行分割，由于目标物较小而造成的精准度低，灵敏度低等情况，在子宫分割的基础上恢复子宫区域的灰度，再对恢复灰度的子宫区域图像进行分割，就很好的缩小了肿瘤在图像中所占的比例，更有利于肿瘤的精准分割。

技术领域

本发明涉及肿瘤分割方法技术领域，尤其涉及一种用于子宫内膜肿瘤分割的网络模型及分割方法。

背景技术

手术是子宫内膜癌最主要的治疗方法。对于早期患者，手术目的为手术-病理分期，准确判断病变范围及预后相关，切除病变的子宫和可能存在的转移病灶，决定术后辅助治疗的选择。在对子宫部位病变进行判断时，医学MR成像通常包含了很多子宫附近的组织和器官，在整张图像中子宫仅占较小的一部分，而子宫内膜肿瘤存在于子宫内部，在整张图像中所占的比例更小了，此时对肿瘤部位进行自动分割，就面临着较大的困难了。随着患者的逐年增多，医生需要大量的进行手工分割病变区域，工作量大且极易疲劳。

U-net网络是菲兹保大学的Olaf Ronneberger等人在2015年提出的。该网络可以用非常少的图像进行端对端训练,并且速度非常快,很适用于边界模糊以及ROI与背景区分不明显的图像。对于医学成像的灰度差异不明显，器官组织之间没有明确的边界的特点，可用于研究的医学图像相对于其他图像较少且难获取，U-net网路很适用于医学图像的分割。但是U-net对于大目标物的分割有着很好的效果，对于小目标物的分割效果很不理想。直接使用U-net网络对子宫内膜肿瘤进行分割，存在着较大的难度。

发明内容

本发明的目的在于提出一种利于实现肿瘤精准分割的子宫内膜肿瘤分割的分割模型及分割方法。

为达到上述目的，本发明提出一种用于子宫内膜肿瘤分割的网络模型，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。

本发明还提出一种子宫内膜肿瘤分割的分割方法，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。

优选的，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。

优选的，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；