[发明专利]一种基于深度学习的腹部CT图像肝脏自动分割方法

权利要求书

1.一种基于深度学习的腹部CT图像肝脏自动分割方法，其特征在于，包括以下步骤：

步骤一：构建改进的3D UNet神经网络模型；

步骤二：数据预处理，构建神经网络训练集和测试集；具体步骤为：

1)采集多个病人的腹部CT图像作为原始数据集，原始数据平面切片内尺寸大小为512*512，切片厚度各异；将原始数据集按照3：1比例分为训练集和测试集；

2)对步骤1)中获得的多个病人的腹部CT图像进行重采样使每个病人的数据体素空间分辨率相同；

3)对步骤2)中获得的多个重采样后的图像进行2倍的平面内下采样操作，将图像大小由512*512缩小到256*256；

4)对步骤3)缩小尺寸后的多个图像进行[-200，200]的窗口化操作来突出肝脏区域并消除不相关细节的影响；然后进行随机翻转、随机旋转以及直方图均衡化数据增强来进一步增强图像特征和扩充数据集得到增强后的病人体数据；

5)对步骤4)中得到的增强后的病人体数据进行分块操作，将增强后的病人体数据中每相邻的48张切片为一个训练数据块，每次移动3张切片进行分块，从而得到由大小为256*256*48的数据块组成的训练集和测试集；

步骤三：设置网络初始学习率、学习率衰减方式、网络迭代次数以及损失函数；此处使用的初始学习率为0.0001，学习率衰减方式为指数衰减，网络迭代次数为50次，损失函数选择focal loss焦点损失函数；

步骤四：利用训练集进行网络模型训练，待训练完成后使用测试集图像进行模型分割效果评估；

步骤一中所述的改进的3D UNet神经网络模型具体为：

网络整体架构：本网络采用3D UNet作为基本网络架构，并在UNet相邻的编码器和解码器间添加残差连接；将UNet原始瓶颈层替换为上下文收集模块；

所述上下文收集模块包括通道维度衰减、十字路径的第一上下文收集块以及十字路径的第二上下文收集模块；3D UNet编码器输出的特征图E经1*1*1卷积对通道维度进行降维操作得到特征图F，后经第一上下文收集块处理后得到具备十字路径稀疏上下文信息的特征图F′，最后经第二上下文收集块处理后得到具备全图像密集上下文信息的特征图F″；

所述第一上下文收集块对于输入的特征图F∈R^C×D×H×W，进行两个1*1*1卷积进行通道降维得到特征图和然后对Q中每个像素位置向量与K中该像素位置的十字路径位置上的所有像素向量进行向量相乘；得到像素向量之间的相关度图D∈R^{(D+H+W)×D×H×W}；进一步对相关度图D进行softmax操作得到权重图W；然后对特征图F再进行一次1*1*1卷积操作，保持通道维度不变得到特征图V∈R^C×D×H×W；对相关度图D中每个像素位置向量和V中对应的空间十字路径上的像素向量相乘并与原特征图F对应位置相加；最后可以得到经过上下文信息加强的特征图F′。

2.根据权利要求1所述的一种基于深度学习的腹部CT图像肝脏自动分割方法，其特征在于，步骤三中所述的损失函数为：

L＝αL_dice+βL_bce

其中：L为本网络损失函数；

L_dice表示Dice损失函数；

L_bce表示二元交叉熵损失函数；

α，β分别为对应的平衡因子，根据实验对比，α设置为1，β设置为0.5。