[发明专利]一种基于上下文聚合的MRI图像肝血管分割方法

说明书

本发明公开了一种基于上下文聚合的MRI图像肝血管分割方法，包括：肝血管MRI图像的预处理；MRI图像肝血管数据的数据增广工作；搭建上下文聚合的肝血管分割网络，输入预处理后的MRI图像；在编码阶段，采用残差结构的卷积块，确保特征图保留更多的信息；在编码模块的最后一个卷积层后面加入了上下文聚合模块，利用空洞卷积扩大卷积核，进而有效的控制感受野的大小，做到对小尺度区域和大尺度区域的权衡。在解码器部分加入空间注意力机制，进行位置关系信息学习和深层次语义特征筛选，提高特征图还原能力。本发明提升了肝血管分割结果的连续性，并且显著提高了肝血管的分割准确率。

技术领域

本发明涉及一种图像分割方法，具体涉及一种基于上下文聚合的MRI图像肝血管分割方法。

背景技术

肝癌是发生率高、死亡率高的主要恶性肿瘤之一，目前，临床常用的肝癌治疗手段主要有手术切除、肝移植、射频消融等方法。而肝血管结构准确的分割是上述肝脏外科手术的重要前提。

肝血管分割可以获得血管的立体行走和空间位置关系，并由此肝段、肝血管等分布信息，为肝脏占位性病变的精确定位诊断提供影像学基础，并且为后续外科手术的顺利实施提供更多帮助。但传统的肝血管分割需要外科医生在每张肝脏切片上手工的画出血管区域。这种逐层手工标注的方式，不光会给医生带来繁重的工作量，也无法保证标注的质量。利用计算机辅助进行自动、准确且有效的肝血管分割是本领域研究人员急需解决的问题。

发明内容

本发明的目的在于提供一种基于上下文聚合的MRI图像肝血管分割方法。MRI图像主要为上腹部平扫图像，具体为核磁共振动态增强扫描中门静脉期。通过分析MRI图像中肝血管特点，设计提升网络对不同感受野信息的获取能力的上下文聚合模块提升分割的效果。通过上下文聚合模块对图像不同感受野信息提取并聚合，提取到更多的全局特征，弥补了目前全卷积神经网络(Fully Convolutional Networks for Semantic Segmentation,FCN)对长距离信息获取能力较弱的缺陷。提升肝血管结构的分割准确性与有效性。

为实现上述目的，本发明采用以下技术方案：上述MRI图像的原始数据为NIFTI(Neuroimaging Informatics Technology Initiative，nii)格式，针对图像数据特点对其进行预处理和归一化；然后使用数据增广对数据进行扩充；其次，将图像数据输入基于卷积神经网络 (Convolutional Neural Network,CNN)的特征提取模块，获得图像的高层语义特征图；将图像的高层语义特征图输入本发明提出的上下文聚合模块，获得不同感受野信息的特征图进行特征融合；最终将具有上下文聚合信息的特征图输入到上采样网络，得到肝血管分割结果。

一种基于上下文聚合的MRI图像肝血管分割方法，包括以下步骤：

步骤1，上腹部平扫MRI图像的预处理工作。

步骤1.1，对图像数据和标注掩膜进行重采样。

步骤1.2，将腹部MRI图像数据归一化至[-1，1]。

步骤2，MRI图像数据的数据增广工作。

步骤3，将MRI图像数据输入模型。

步骤3.1，将图像数据输入基于卷积神经网络的特征提取模块，提取图像的高层语义特征图。

步骤3.2，将高层语义特征图输入上下文聚合模块，提取不同感受野下的特征图。

步骤3.3，聚合不同感受野下的特征图，并对特征图不同通道按照学习到的重要性进行重新赋权。

步骤3.4，输入解码器网络，获得MRI图像肝血管分割结果。

步骤3.5，训练基于上下文聚合的肝血管分割网络。