[发明专利]一种基于DDAUnet的食管肿瘤分割方法

说明书

本发明属于图像分割技术领域，具体涉及一种基于DDAUnet的食管肿瘤分割方法，包括如下步骤：数据采集、数据预处理、模型构建、模型保存、模型评价，所述数据采集通过获取食管癌患者相关CT扫描图像，进行图像标注，完成模型训练所需数据集的构建；所述数据预处理包括数据扩增、数据划分、图像缩放和归一化。本发明提出了一种基于卷积神经网络CNNs的全自动端到端食管肿瘤分割方法，该网络被称为扩张密集注意Unet即DDAUnet，利用每个密集块中的空间和通道注意门，选择性地集中于决定性特征图和区域，扩展的卷积层用于管理GPU内存，增加网络接受场。本发明用于图像的分割。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于DDAUnet的食管肿瘤分割方法。

背景技术

食管癌是研究最少的癌症之一，而它对大多数患者是致命的，在CT图像中快速准确地描绘靶区体积对于治疗和疾病控制具有非常重要的作用，同时由于与肿瘤靶体积相关的高度不确定性，特别是在肿瘤的头部和尾部边缘，为了克服这些复杂性，医生将CT成像与临床病史、内窥镜检查结果、内窥镜超声以及其他成像方式如正电子发射断层扫描相结合，然而，获得这些额外的方式是一个费时和昂贵的过程。

存在问题或缺陷的原因：在CT图像中手动或自动勾画食道肿瘤是非常具有挑战性的。这是由于肿瘤与邻近组织之间的低对比，食管解剖结构的变化，以及偶尔存在的异物如喂食管，因此，医生通常利用额外的知识，如内窥镜检查结果，临床病史，额外的成像方式，如PET扫描。获得其附加信息是耗时的，同时结果是容易出错的，并可能导致不确定性的结果，近年来，深度学习在医学图像分析中的应用引起了广泛关注，然而，该技术在食道分割方面的应用有限，在食道肿瘤分割方面的应用更少。

发明内容

针对上述图像分割技术模型应用少的技术问题，本发明提供了一种分割效率高、成本低、效果好的基于DDAUnet的食管肿瘤分割方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于DDAUnet的食管肿瘤分割方法，包括下列步骤：

S100、数据采集：获取食管癌患者相关CT扫描图像，进行图像标注，完成模型训练所需数据集的构建；

S200、数据预处理：包括数据扩增、数据划分、图像缩放和归一化；

S300、模型构建：构建基于DDAUnet的分割网络模型，输入训练数据，完成参数模型的搭建；

S400、模型保存：当模型的损失函数不再降低之后，保存模型；

S500、模型评价：通过MSD和HD评价方法对保存的模型进行评估。

所述S100数据采集中，使用Brilliance Big Bore扫描仪对食管癌患者进行身体检测，在五个在不同时间点对患者进行重复CT扫描获得CT图像，3个时间点仅包含1次3DCT扫描，2个时间点包括1次3DCT扫描和1次4DCT扫描，共10个呼吸期，每次扫描包含58-108个切片，平均体素厚度0.98×0.98×3mm3，将获得的CT图像进行切片处理，利用MD对获得的二位轴向切片进行真实分割，获得对应的标注图像，完成原始数据集的构建。

所述S200数据预处理中，数据扩增、数据划分、图像缩放、归一化方式分别如下：

数据扩增：分别对训练集数据进行45度，90度，135度旋转，并调整数据对比度、亮度，对数据进行扩增，将变换后的数据与原训练集混合，构建新的数据集；

数据划分：使用交叉验证法将数据集D划分为k个大小相似的互斥子集，每个子集尽可能保持数据分布的一致性，用(k-1)个子集的并集作为训练集，余下的子集作为测试集；

图像缩放：将数据划分后得到的所有数据进行缩放，以便输入模型，将其按照大小比例全部调整为统一尺寸512×512；