[发明专利]一种基于深度学习通过CT检测分割分类肝脏肿瘤的方法

说明书

一种通过CT的检测分割分类肝脏肿瘤的深度学习方法，包括：(1)对待预测的CT图像进行预处理，使其符合训练好的网络的输入要求；(2)使用训练好的模型对(1)中的待预测CT进行分割，得到最终的分割结果,包括：(21)将CT图像送入特征提取器提取特征；(22)将经特征提取器提取到的特征送入背景注意力模块，融合上下文信息与位置信息；(23)将融合了上下文信息与位置信息的特征图送入head模块，进一步整合多尺度的信息；(24)融合了多尺度信息的特征与特征提取器提取到的low‑level features结合，通过解码器模块还原为原图大小(C，512，512)，这即为最后的肿瘤分割结果。本发明利用肝脏CT图像的连续上下多层信息以及像素点的位置信息。

技术领域

本发明涉及一种通过CT的检测分割分类肝脏肿瘤的方法。

背景技术

肝脏是人体的重要器官，功能繁多。但是肝脏也是比较容易病变的器官，常见的就是各类肝脏结节，如肝细胞肝癌，囊肿，肝血管瘤等。肝脏的CT图像是检测肝脏病变部位的重要工具。但是，肝脏部位的图像环境十分复杂，肝脏内外的血管、肺部隔膜、心脏、胰腺和胃等都很容易造成误识别。传统的分割方法已经难以适应如此复杂的图像环境，深度学习等更加智能化的方法的优势逐渐凸显。

目前市面上最常见的深度学习方法都是基于U-Net，该网络简单易用，但是性能有限。也有诸多方法提出对U-Net网络结构的改造或者是训练方式上的改造。但是，这些方法存在几个方面的局限性，一是没有利用更多相邻层的上下文信息辅助检测，二是没有利用CT图像中各个像素点之间的位置关系。而这些信息对于防止模型对血管、胆囊等组织的误识别是至关重要的。

发明内容

本发明要克服现有的技术的上述不足，提供一种基于深度学习通过CT检测分割分类肝脏肿瘤的方法。本发明采用一种可以利用肝脏CT图像的连续上下多层信息和像素点的位置信息的肝脏结节的分割算法。

本发明通过以下方案来实现：

一种基于深度学习通过CT的检测分割分类肝脏肿瘤的方法，包括以下步骤：

步骤1.对待预测的CT图像进行预处理，使其符合训练好的网络的输入要求；

步骤2.使用训练好的模型对(1)中的待预测CT进行分割，得到最终的分割结果，具体包括：

每一例CT由M张图像组成，其中每一张为大小为(W，H)的矩阵，即每一例CT图像的规格为(M，W，H)；由于经过预训练的卷积神经网络(CNN)用作特征提取器时的输入图像为3通道，即输入的矩阵规格为(3，W，H)，因此，在预测CT中的第i张图像时，会利用CT的第i-1和第i+1张图像与第i张图像拼接在一起，组成(3，W，H)的矩阵；为了使得模型能够捕捉到更加丰富的上下文信息，在预测第i张图像时，会使用连续的N张图像作为输入辅助预测，N可以取1，3，5，7，9；因此送入特征提取器的输入规格为(N，3，W，H)，将此输入记作contextinput，即上下文输入,而将需要预测的第i张图像记作key input；

context input经过特征提取器后得到一个规格(N，1024，W/32，H/32)的特征图，记为context features；key input经过特征提取器后得到一个规格为(1024，W/32，H/32)的特征图，记为key features，一个(256，W/4，H/4)的特征图，记为low-level features；

(22)将经特征提取器提取到的特征送入背景注意力模块，融合上下文信息与位置信息；背景注意力模块记为Context attention，通过目标层的上下层所组成上下文，像素点的位置来过滤和修正提取到的特征信息，得到融合了上下文信息与位置信息的特征图；

(23)将融合了上下文信息与位置信息的特征图送入head模块，进一步整合多尺度的信息；