[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

说明书

本发明公开了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。本发明结合二维网络和三维网络提出基于上下文感知的二点五维分割网络模型，在综合利用上下文信息的同时有效降低计算成本。一方面将多张连续切片作为网络输入，另一方面在编码器部分使用三维卷积提取深层特征和片间特征，从而利用层间连续性来优化分割结果，同时在特征提取网络顶层使用空洞空间卷积池化模块来引入全局语义信息，缓解分割目标尺度差异较大的问题。此外，在解码器部分使用二维网络降低参数量，在网络中使用深度可分离卷积代替常规卷积来降低运算成本，同时结合类别交叉熵损失函数和Dice损失函数设计的加权损失函数也能够进一步改善医学图像中的类别不均衡问题。

技术领域

本发明属于深度学习图像处理领域，尤其涉及利用上下文语义信息的医学图像分割算法。

背景技术

肝脏作为人体重要的新陈代谢器官，能够直接决定人体的健康状况。据统计，世界上每年大约会新增一百万左右肝癌患者，其中中国是全球肝脏恶性肿瘤发病率和肝脏手术率最高的国家。传统肝脏病变的诊断方法是放射科医生通过肉眼判断和识别，不仅费时费力，而且诊断结果准确性在很大程度上依赖医生的主观判断和临床经验是否丰富，因此推动肝脏肿瘤病变的自动化检测和分割技术的发展与落地具有重要意义。

深度学习作为机器学习领域的研究方向之一，通过非线性拟合和更深的网络层数来建立更加复杂的网络模型，更适合较复杂的问题场景。相较于传统机器学习算法，深度神经网络无需手动提取和选择特征，而是通过多层卷积的训练和学习来获取图像的深层特征和高层语义信息。目前深度学习相关算法已在医学图像分类、检测、分割及配准等领域应用广泛，将深度学习模型应用于肝脏肿瘤数据集，进行肿瘤的定位、分类以及进一步像素级别上的精细分割，能够有效辅助医生诊断、提高诊断效率。

目前图像处理领域中常用的是二维深度神经分割网络，通过跳跃连接将编码-解码结构中对应分辨率的特征图融合在一起，使图像细节特征更加丰富，更加适合存在小尺度目标的医学图像分割任务。但二维分割网络只提取了二维切片内的空间特征信息，没有利用到切片之间的相关性，因此有研究提出使用三维卷积模块的三维分割网络来处理三维医学图像，但三维网络对计算设备性能的要求较高、参数量和计算量更大。

发明内容

常见的医学图像多为三维立体影像，现有的二维分割网络只关注了输入图像的片内特征，而忽略了三维医学图像连续切片间的片间相关性。本发明则重点关注于此，为了避免三维网络引起的计算量大、参数量多等问题，结合二维网络和三维网络提出基于上下文感知的二点五维分割网络模型，在综合利用上下文信息的同时有效降低计算成本。本发明，一方面将多张连续切片作为网络输入，另一方面在编码器部分使用三维卷积提取深层特征和片间特征，从而利用层间连续性来优化分割结果，同时在特征提取网络顶层使用空洞空间卷积池化模块来引入全局语义信息，缓解分割目标尺度差异较大的问题。此外，在解码器部分使用二维网络降低参数量，在网络中使用深度可分离卷积代替常规卷积来降低运算成本，同时结合类别交叉熵损失函数和Dice损失函数设计的加权损失函数也能够进一步改善医学图像中的类别不均衡问题。

本发明提出了一种医学图像分割算法，为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，从利用上下文信息提升分割结果的角度出发，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。使用多张连续切片作为网络输入，利用三维网络提取层间特征信息并使用深度可分离卷积进一步降低运算成本，同时在网络模型编码器的深层增加了空洞空间卷积池化金字塔来引入全局语义信息。此外，在训练过程中设计了更适合医学图像分割任务的加权损失函数，帮助网络更有效地处理肝脏肿瘤和背景的像素不平衡问题。

技术方案