[发明专利]基于改进3D U-Net的多器官分割方法

权利要求书

1.一种基于改进3D U-Net的多器官分割方法，其特征在于，包括：

(a)预处理待分割图像数据集，以得到预处理后的数据集；

(b)基于待分割的图像特征，构建基于3D U-Net的多器官分割网络，所述基于3D U-Net的多器官分割网络包括：下采样层和上采样层；并

利用空间金字塔池化提取下采样层的特征图的多尺度特征的信息并与上采样层提取的特征信息进行融合，得到改进后的3D U-Net网络；

(c)将预处理后的数据集划分为训练集、验证集和测试集，并利用所述训练集和验证集对改进后的3D U-Net网络进行训练，得到训练后的网络；

(d)利用训练后的网络对测试集进行分割处理，并对分割后的图像进行后处理操作，得到多器官图像的分割结果；

步骤(b)包括：

(b1)根据待分割的图像特征，构建基于3D U-Net的多器官分割网络，所述基于3D U-Net的多器官分割网络包括：4个下采样层构成的编码器和4个上采样层构成的解码器；

(b2)利用空间金字塔池化层完成图像信息的多尺度特征提取，并利用最大池化运算，构建所述基于3D U-Net的多器官分割网络的下采样层；

(b3)利用空间金字塔池化层对快捷连接的特征图进行运算，提取多尺度特征的信息并融合上采样层提取的特征信息；

(b4)定义改进型3D U-Net分割模型的损失函数为hybrid loss，hybrid loss的公式如下：

其中，

p_n(c)表示体素n预测结果为c类的概率，g_n(c)表示体素n为c类的参考标准。

2.如权利要求1所述的基于改进3D U-Net的多器官分割方法，其特征在于，步骤(a)包括：

(a1)归一化处理图像数据集，得到归一化后的数据集；

(a2)裁剪掉归一化后的数据集中每个标签数据中的没有像素点的边框，以得到预处理后的数据集。

3.如权利要求1所述的基于改进3D U-Net的多器官分割方法，其特征在于，步骤(c)包括：

(c1)将数据集划分为训练集、验证集和测试集；

(c2)用随机梯度下降算法和学习率衰减优化梯度下降过程，利用所述训练集和验证集训练改进后的3D U-Net网络，将改进后的3D U-Net网络作为训练模型；

(c3)按照模型在验证集上的性能，保存模型的权重，若当前迭代次数的模型在验证集上的表现更好，则用当前模型的权重代替已保存的模型权重，否则，继续训练并验证模型权重，以得到训练后的网络。

4.如权利要求1所述的基于改进3D U-Net的多器官分割方法，其特征在于，步骤(d)包括：

(d1)利用测试集和前向传播算法验证训练后的网络的分割后的结果以及训练后的网络的性能；

(d2)利用最大连通域算法去除分割后的结果中的孤立的噪点。