[发明专利]一种胰腺和肿瘤三维图像分割系统和方法

说明书

本发明提出了一种胰腺和肿瘤三维图像分割方法及系统，包括：获取胰腺和肿瘤三维图像，预处理时，通过软组织窗口将图像的强度值控制在设定范围内；将所有图像裁剪成设定大小块状区域并送入训练后的卷积神经网络模型，训练网络时，在温度的引导下动态调整胰腺和肿瘤之间的学习权重，学习胰腺和肿瘤的特征；对三维的胰腺图像及标签进行数据预处理后利用训练后的网络模型在线测试评估，输出分割结果。

技术领域

本发明属于图像分割技术领域，尤其涉及一种胰腺和肿瘤三维图像分割系统和方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于以下因素，胰腺和肿瘤的自动图像分割变得困难：

1)三维图像中患者体内、不同患者之间肿瘤和胰腺存在着表型差异，如形状和体积。

2)三维图像中胰腺与肿瘤、胰腺与腹部周边组织的对比度低。

3)三维图像中胰腺位置处于腹膜后，且其体积与肿瘤体积都较小。

基于肿瘤是嵌在胰腺内部或周围的，其特征并不明显，倘若在网络学习过程中不多关注较小肿瘤的的话会导致分割结果不理想。

然而，现有方法主要是在整个学习过程中对肿瘤和胰腺使用固定的权重，忽略了两种组织因表型差异而导致特征提取的不均衡。手动调整这些权重是一个困难且费时的过程，这要求研究者对研究数据有充分的掌握及知识储备来设置合适的值，且这种人工参与不能完成对整体损失函数进行自适应调整，以获得更好的分割性能。

发明内容

为克服上述现有技术的不足，本发明提供了一种胰腺和肿瘤三维图像分割系统，能够实现对胰腺和肿瘤图像的准确分割。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种胰腺和肿瘤三维图像分割方法，包括：

获取胰腺和肿瘤三维图像，预处理时，通过软组织窗口将图像的强度值控制在设定范围内；

将所有图像裁剪成设定大小块状区域并送入训练后的卷积神经网络模型，训练网络时，在温度的引导下动态调整胰腺和肿瘤之间的学习权重，学习胰腺和肿瘤的特征；

对三维的胰腺图像及标签进行数据预处理后利用训练后的网络模型在线测试评估，输出分割结果。

作为进一步的技术方案，卷积神经网络模型基于原始U-Net加入注意力机制以及深度监督机制，称为NAD骨架。

作为进一步的技术方案，所述注意力机制主要用在编码-解码器中的跳跃连接上，将编码器前四层得到的特征图经过注意力机制获得带有attention map的特征图，从而辅助解码器；

解码器解码后得到多层的分割结果，利用平衡温度损失对该NAD骨架进行约束，结合反向传播和刚性温度损失对网络的学习过程进行全局优化，缓解可能存在的局部最优的问题；

当网络训练到一定程度时，用软温度损失来更新损失的平均移动值，通过改进学习率来进一步对卷积神经网络模型进行微调，并确定卷积神经网络模型的学习趋势和收敛范围，以进一步细化胰腺和肿瘤的分割。

作为进一步的技术方案，采用平衡温度损失，使网络在温度的引导下动态调整胰腺和肿瘤之间的学习权重，学习胰腺和肿瘤的特征。

作为进一步的技术方案，训练网络时结合二值交叉熵损失函数以及soft Dice损失作为NAD骨架的损失函数约束学习，在soft Dice损失中引入温度来动态调整肿瘤和胰腺之间的学习权重，以平衡特征选择；