[发明专利]一种腹部CT图像的分割方法

说明书

本发明涉及一种腹部CT图像的分割方法，包括步骤S1:构建脏器图像分割模型并利用源域数据进行预训练；步骤S2:将源域数据与目标域数据输入到脏器分割模型中，获得预测结果；步骤S3:根据源域数据的到的预测结果，获得分割的损失，并训练脏器图像分割模型；步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入，获得分类损失，训练判别模型，并通过梯度反转层反向传播到脏器图像分割模型中；步骤S5:最大化分割损失和最小化分类损失，形成对抗损失，并用于训练脏器分割模型与判别模型，形成脏器图像分割模型。本发明将域适应方法结合脏器图像分割模型，分割医学图像中不同的脏器区域，解决医学图像中数据量少无标签且数据来源不同造成域偏移的问题。

技术领域

本发明涉及一种医学图像处理方法，具体涉及一种腹部CT图像的分割方法。

背景技术

腹部CT图像中，不仅包含心、肺、肠、肝、脾区域，在肺区域中还包括肺叶，周围软组织骨骼等。因此对CT图像进行脏器分割，能够有效的提高对目标脏器的进一步分析。常见的深度学习方法，在分割方面取得了很好的效果。深度学习训练方式大多建立在训练集和测试集具有相同的分布的假设上，如果分布不同，模型在测试集的性能则不如测试集。训练集(源域)和测试集(目标域)存在差异，即所谓的域偏移。域偏移是医学图像数据集的常见现象。例如，数据集来源于不同的组织，使得数据集的条件分布概率不同。并且，医学图像涉及隐私保护，这造成了数据量少的问题；医学图像的标注需要专业的人工标注，精细的标注对于人工来说耗时耗力，这造成了标注数据少的问题。因此，解决小数据的脏器分割问题，是做进一步医学图像处理的前提。

发明内容

有鉴于此，本发明的目的在于提供一种腹部CT图像的分割方法，可以对不同来源且标注不完备的医学图像进行脏器分割。

为实现上述目的，本发明采用如下技术方案：

一种腹部CT图像的分割方法，包括以下步骤：

步骤S1:构建脏器图像分割模型并利用源域数据进行预训练；

步骤S2:将源域数据与目标域数据输入到脏器分割模型中，获得源域数据和目标域数据的预测结果；

步骤S3:根据源域数据的到的预测结果，获得分割的损失，并根据分割的损失训练脏器图像分割模型；

步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入，获得分类损失，训练判别模型，并通过梯度反转层反向传播到脏器图像分割模型中；

步骤S5:最大化分割损失和最小化分类损失，形成对抗损失，并将对抗损失用于训练脏器分割模型与判别模型，形成一个域适应下的脏器图像分割模型。

进一步的，所述的源域数据为具有完备标注的公开数据集，所述目标域数据集无完备标注的公开数据集。

进一步的，所述的脏器图像分割模型由UNet网络结合ResNet34网络构成，将UNet网络分为左侧部分和右侧部分，所诉的左侧部分为Encode过程使用ResNet34网络用来提取图像特征；右侧部分为Decode过程，使用上采样获得域结果。

进一步的，所述脏器图像分割模型的模型构建具体如下：

第一层为输入层，输入图像，输入大小为512×512×3；

第二层为Encode层，是一个卷积层，输入通道为3，输出为64，核大小为(7，7，7)，步长为2，正则化函数为BN函数，激活函数为ReLU函数；

第三层为池化层，使用最大池化层，核大小为(3，3，3)，步长为2；

第四层为Encode层，是Sequential模型。由3个BasicBlock组成，每个BasicBlock为2个输入、输出通道为64，核大小为(3，3，3)，步长为1的卷积层，正则化函数为BN函数，激活函数为ReLU函数；