[发明专利]一种基于上下文注意力策略的三维肝脏影像语义分割方法

说明书

本发明涉及一种基于上下文注意力策略的三维肝脏影像语义分割方法，包括如下步骤：选定待进行肝脏分割的医疗影像数据集，将其划分为训练集和测试集；对所述训练集中的三维肝脏影像进行预处理；在编码阶段，利用残差结构、卷积网络和空洞卷积得到肝脏的特征图；在解码阶段，利用上下文注意力策略模块、转置卷积和深度监督机制得到肝脏的分割图像；对语义分割后得到的肝脏图像进行后处理。该方法具有提高三维肝脏影像语义分割效果的特点，实现了较好的自动化分割效果，并可以辅助医生进行诊断。

技术领域

本发明涉及三维医学影像语义分割方法，特别是涉及一种基于上下文注意力策略的三维肝脏影像语义分割方法。

背景技术

肝脏位于人体腹部，是腹部最大的重要实体器官，然而与肝脏相关的肝癌等疾病已成为世界上最常见，死亡率最高的疾病之一，这对人类的身体健康与生命产生了极大的威胁。近年来，计算机断层扫描(computered tomography,CT)已经成为发现，诊断和治疗肝肿瘤最广泛使用的医学成像方法。在治疗手术之前需要对CT图像中肝脏的形状和位置信息详细的了解，因此对肝脏的精确分割已成为肝癌治疗的首要任务。然而，人与人之间肿瘤的大小，形状和位置差异较大，肿瘤与其周围正常肝组织之间的界限不明确，肝脏与其周围器官组织对比度低，一些肿瘤还可能与其他器官和血管相邻，造成边界模糊。此外，肝肿瘤的多样性和密度的不均匀性使得肝脏和肝肿瘤分割成为一项具有挑战性的任务。因此，研究自动肝脏分割算法不仅可以减少医生手动细分的工作时间和结果的主观性，而且更为重要的是它可以提高肝脏和肿瘤分割的准确性，以提高肝肿瘤手术的成功率。

目前肝脏及肿瘤分割算法主要分为传统方法和基于深度学习的方法。传统分割方法主要有阈值法、区域生长法、主动轮廓模型、遗传算法等。但是传统的分割方法或多或少都存在一些局限，如阈值法仅考虑了像素本身的值，放弃了图像的空间性造成欠分割；区域生长法需要人工设置种子点，导致本来分开的区域连接，造成过度分割；主动轮廓模型对于初始位置十分敏感且无法检测到目标边界的凹陷处；遗传算法缺少局部搜索能力。

基于深度学习的分割方法也称为图像语义分割，本质上是一个逐像素点的二分类问题。近年来，这类方法被广泛应用于医疗影像处理领域，受到了极大的关注。在深度学习中最具有代表性的算法是卷积神经网络，它在图像识别和图像分割领域大放异彩。后来的研究者又根据医疗影像的特点对全卷积神经网络(Fully Convolutional Networks,FCN)改进提出了最经典的Unet和Vnet网络。二者都是一种类似U型的网络结构，使用skip-connection连接low level feature和high level feature。不同点在于Unet用于处理二维数据，Vnet用于处理三维数据，Vnet中还加入了Residual block。然而二维卷积网络无法充分利用医疗影像数据中的空间信息，缺少了对三维医疗数据切片间信息的处理，所以分割所得结果的边界较为粗糙，分割的整体效果不如三维分割。但这些研究都没有对医疗影像数据切片间的信息进行处理，对目标的低级语义特征和高级语义特征的融合利用不到位。

发明内容

本发明为了克服现有技术的不足，提供了一种基于上下文注意力策略的三维肝脏影像语义分割方法，采用如下技术方案实现：

一种基于上下文注意力策略的三维肝脏影像语义分割方法，包括如下步骤：

S1、选定待进行肝脏分割的医疗影像数据集，将其划分为训练集和测试集；

S2、对所述训练集中的三维肝脏影像进行预处理，并输入编解码网络模型；

S3、在编码阶段，利用残差结构、卷积网络和空洞卷积得到肝脏的特征图；

S4、在解码阶段，利用上下文注意力策略模块、转置卷积和深度监督机制得到肝脏的分割图像；

S5、对语义分割后得到的肝脏图像进行后处理。

进一步的，步骤S2具体包括：