[发明专利]一种基于卷积神经网络的肝脏病灶分割方法

说明书

一种基于卷积神经网络的肝脏病灶分割方法，包括以下步骤：采集数据集，对数据集进行清洗及预处理过程；引入残差模块，利用残差模块内的残差单元简化反向传输过程及降低数据集的计算复杂度；设计编码器，利用编码器对数据集内的图像进行下采样和特征提取操作；设计解码器，利用解码器对数据集内的图像进行上采样操作；嵌入CoordConv层对数据集的图像坐标进行转换；设计损失函数合成卷积神经网络；利用卷积神经网络训练预处理后的肝脏数据集；本发明能够增强后续病变区域定位、分割、病灶识别与疾病诊断的精度，所提出的病变区域分割算法可利用多层次特征融合实现区域精分割，分割准确性大大提高。

技术领域

本发明涉及图像分割技术领域，特别是涉及一种基于卷积神经网络的肝脏病灶分割方法。

背景技术

肝脏占位性病变指的是人体肝脏区域产生的病变，在医学影像数据上表现为异常回声信号，呈现出不均匀的纹理密度。在一些医学影像中，肝脏病灶分割操作极具难度，肝脏病灶图像可能会被其它部分所覆盖，从而增加病灶分割的挑战性。医学成像技术的快速发展为病灶检测提供了不同于传统活组织切片的检测手段，医生能够从医学影像中观察活组织上是否存在病变特征区域，从而依据影像的判别结果来辅以诊断，传统医学影像技术与操作者的经验和技术具有较强的关联性，会受到操作者主观性的影响，而且劳动强度大、耗时效率低；因此亟需一套精确的辅助诊断方法取代放射性影像医师机械性的阅片任务。

传统的超声、MRI、CT、PET等浅层学习算法对于医学影像检测的泛化能力以及鲁棒性均不够理想，以卷积神经网络为代表的前馈式深度神经网络实现了深层非线性网络的特征学习，从而获得数据的各类特征；低质量的影像一定程度上影响了目标检测、分割、特征提取、病灶识别等分析结果；影像的重建质量与曝光时间或成像速度密切相关，基于深度学习的图像分割方法性能更加优越，鲁棒性更强。

而不同患者其肝脏外观尺寸或形态上存在差异性，即使是同一个个体其医学影像在不同的断层所表现出的尺寸和形状也会有区别，从而在医学影像成像过程中，引入噪声是不可避免的，成像设备与成像角度均会引入一定的干扰，从而在医学影像中检测对象的灰度值均会出现波动迹象。

虽然深度学习模型在目标分割应用上取得了较高的精度，但医学影像中肝脏相邻的组织之间具有相似的组织密度，导致肝脏边界模糊且个体差异大，大多数的现有算法在实现肝脏病变区域分割时的精度都不理想。

发明内容

本发明目的就是针对现有技术中的不足，提供一种基于卷积神经网络的肝脏病灶分割方法，解决传统医学影像受操作者主观影响导致的效率低以及受肝脏形态和尺寸影响产生干扰导致精度差等问题，为实现以上目的，本发明通过以下技术方案予以实现：

一种基于卷积神经网络的肝脏病灶分割方法，包括以下步骤：

S1、采集数据集，对数据集进行清洗及预处理过程；

S2、引入残差模块，利用残差模块内的残差单元简化反向传输过程及降低数据集的计算复杂度；

S3、设计编码器，利用编码器对数据集内的图像进行下采样和特征提取操作；

S4、设计解码器，利用解码器对数据集内的图像进行上采样操作；

S5、嵌入CoordConv层对数据集的图像坐标进行转换；

S6、设计损失函数合成卷积神经网络；

S7、利用卷积神经网络训练预处理后的肝脏数据集。

优选的，所述步骤S1的具体实施方式为：从肝脏数字影像数据源中挑选出所有像素尺寸范围从540*576变化到4499*6748变化的图像数据，并整理为一个数据集，接着对数据集进行清洗及预处理过程，并在清洗及预处理过程中对数据集进行在线增强操作，所述在线增强操作包括水平翻转、垂直翻转、旋转及剪切，使数据集内的图像像素尺寸缩小为256*256大小。