[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

说明书

一种基于深度学习的腹部CT图像肝脏自动分割方法属于医学图像分割技术领域，目的在于解决现有技术存在的整体网络复杂、训练开销大、训练过程较长、网络难收敛、无法捕获长距离依赖信息导致的分割精度低的问题。本发明提出了一种基于深度学习的腹部CT图像肝脏自动分割方法，以3D UNet为基础网络架构，并在相邻的编码器和解码器间引入残差连接来优化梯度传播和特征传递；同时，将原始UNet中的瓶颈层替换成提出的上下文收集模块(CCM)来获得具有密集上下文信息的特征；通过残差连接的引入和上下文收集模块的应用，本方法有效地提高了腹部CT图像中肝脏的自动分割精度，为肝癌的诊断和治疗提供了更有利的前提条件。

技术领域

本发明属于医学图像分割技术领域，具体涉及一种基于深度学习的腹部CT图像肝脏自动分割方法。

背景技术

临床上从腹部CT图像中分割肝脏主要依靠有经验医生依据先验知识手动勾画边界和轮廓，提取肝脏感兴趣区域，特点是耗时时间长，效率较低，可重复性差。随着计算机技术的发展，各种肝脏的自动化分割方法相继被提出。

目前基于深度学习的肝脏分割方法主要采用FCN或UNet作为基础网络架构，在网络中引入残差连接或密集连接，并结合注意力机制进行肝脏注意区域的校准，从而准确地从腹部CT图像中分割出肝脏感兴趣区域。

目前基于深度学习的肝脏分割方法主要关注于注意力机制的使用和级联网络结构。注意力机制的使用仅仅使网络关注于重要部分，对性能的提升有限；而级联网络结构整体网络复杂，训练开销大，训练过程较长，网络难收敛。上述的方法都忽略了肝脏分割本身属于密集预测任务，需要丰富密集的上下文信息，而受限于深度卷积神经网络自身架构，网络无法捕获长距离依赖信息，因此只能获得局部的上下文信息，导致网络分割精度提升到一定程度便遭遇性能瓶颈。

发明内容

本发明的目的在于提出一种基于深度学习的腹部CT图像肝脏自动分割方法，解决现有技术存在的整体网络复杂、训练开销大、训练过程较长、网络难收敛、无法捕获长距离依赖信息导致的分割精度低的问题。

为实现上述目的，本发明的一种基于深度学习的腹部CT图像肝脏自动分割方法包括以下步骤：

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：