[发明专利]一种基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法

权利要求书

1.一种基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法，其特征在于，针对肝脏肿瘤图像边缘模糊、对比度低、尺度差异大等分割难点，从利用上下文信息的角度出发，针对医学图像连续切片间信息连续性的特征，结合二维和三维网络的优势建立了二点五维分割网络模型；使用深度可分离卷积进一步降低参数量和运算成本；在特征提取网络顶层通过空洞空间卷积池化模块引入全局语义信息；此外考虑到肝脏肿瘤和背景的类别不平衡问题，结合类别交叉熵损失函数和Dice损失函数设计了更适合分割任务的加权损失函数来优化算法性能。

2.根据权利要求1所述的基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法，其特征在于，具体包括以下步骤：

(1)采用肝脏肿瘤CT图像数据并进行预处理；

(2)构建二点五维分割网络模型，预处理得到的连续图像作为输入，在三维编码阶段进行深层特征提取，二维解码阶段恢复到原特征分辨率并输出中间层切片的分割预测结果，中间通过降维模块相连接；

(3)为了进一步增加感受野，在编码子网络的顶层使用空洞空间卷积金字塔池化模块引入更多全局语义信息；

(4)考虑数据集中的样本类别问题，基于分割任务中常用的交叉熵损失函数和Dice损失函数，设计了更适合医学分割任务的加权损失函数，使用该损失函数对二点五维分割网络模型进行训练；

(5)训练步骤(2)中的二点五维分割网络模型，利用3D全连接条件随机场来细化最终的肝脏肿瘤分割结果；使用Dice相似性系数、体素重叠误差、体素相对误差分割任务常用评估指标对二点五维分割网络模型及算法进行评估。

3.根据权利要求1所述的基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法，其特征在于，步骤(1)中，图像的预处理包括以下步骤：

(1.1)读取数据集中的图片；

(1.2)依据该病例肿瘤最大最小HU值来计算相应的窗宽窗位(窗宽指CT图像中含有的HU值范围，窗位指窗宽上下限的平均值)，通过设置窗宽和窗位的值将HU值调整为[-200，250]的区间内，从而显示更加清晰的目标区域；

(1.3)使用直方图均衡化进一步增强对比度，将体素值归一化为[-1，1]；

(1.4)利用训练集标准差对数据集进行标准化处理；

(1.5)使用随机裁剪、翻转变换、亮度变换等方式对数据集进行数据增强。

4.根据权利要求1所述的基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法，其特征在于：步骤(2)描述了网络整体结构设计，二点五维分割网络模型包括一个三维编码器子网络和一个二维解码器子网络，中间由降维-跳跃连接模块来连接编码阶段和解码阶段中相同分辨率的特征图；

包括以下步骤：

(2.1)将每张目标图像连续相邻的t张图像拼接在一起作为输入图像，输入网络中提取特征；对于体积V沿z轴上的第k个切片V_·,·,k，将第k-t到k+t层切片拼接在一起，其对应的连续t相邻切片V_{·,·,{k-t,…,k,…k+t}}如下所示：

V_{·，·，{k-t，…，k，…k+t}}＝[V_{·，·，k-t}，…，V_·，·，k，…，V_{·，·，k+t}}；

(2.2)在编码阶段对输入图像进行特征提取，使用三维深度可分离卷积来更好地挖掘层内和层间信息；

(2.3)编码器子网络由四层组成，每一层的最后通过下采样操作来使分辨率递减、特征图通道数翻倍，从而充分学习图像切片层内和层间图像的特征；

(2.4)在编码器的第四层输出的特征图像上使用三维空洞空间卷积金字塔池化模块来增加感受野的大小，保留更多全局上下文信息；

(2.5)解码器子网络为四层反卷积操作，使用二维深度可分离卷积来降低网络的维度和参数量，其中上采样和卷积操作构成一个用于参数学习的反卷积结构；

(2.6)通过降维-跳跃连接模块连接编码器子网络和解码器子网络，将图像细节由编码器传输到解码器；

(2.7)在解码器末端还原图像大小并进行语义分割。