[发明专利]基于U-Transformer的直肠癌CT影像自动分割方法

说明书

本发明公开了一种基于U‑Transformer的直肠癌CT影像自动分割方法。本发明包括如下步骤：步骤1，实验数据的预处理；步骤2，构建U‑Transformer网络模型；步骤3，训练U‑Transformer网络模型；步骤4，采用训练好的U‑Transformer网络模型进行CT影像中直肠癌的分割，并对分割效果进行评估。本发明实现了直肠癌肿瘤CT影像的分割，避免了人工分割存在的低效率及不稳定的缺陷，从而为相关疾病的诊断、治疗和手术引导提供准确的依据。相比于其他U型网络结构，该方法可以学习到全局特征，具有更大的视觉感知范围，从而实现高精度的医学分割。

技术领域

本发明涉及一种基于U-Transformer直肠癌肿瘤CT影像自动分割方法，属于直肠癌的精准分割技术领域。

背景技术

2018年，直肠癌的发病率和死亡率在全球所有癌症中排名第四。根据临床医学指南，直肠癌患者的生存和预后与肿瘤分期高度相关。但总的来说，大多数有症状的患者发展到晚期，晚期患者的5年生存率远低于早期患者。早期发现肿瘤对提高患者生存时间非常重要。

目前，直肠癌的早期筛查方法主要有：粪便潜血检查、肠镜检查和医学影像学检查。隐血物质在检测和分辨中很容易获得，但分辨中通常含有食物残渣，导致假阳性率高，灵敏度低。肠镜检查在检测肠道病变方面具有最高的灵敏度和准确性，但它会给患者带来不适，并且可能需要较长的肠道准备时间。此外，肠镜检查有一定机会导致胃肠道穿孔。医学成像中常见的成像技术包括超声成像、核磁共振成像、计算机断层扫描等。由于CT具有诊断快速、肿瘤观察全面、无创性诊断直肠癌等优点，因此CT在临床上得到了广泛的应用，CT成像在提高直肠癌患者的诊断准确率、提供个性化的诊断和治疗方案、支持临床决策方面具有巨大潜力。当使用CT图像进行辅助诊断时，只有分割直肠癌的肿瘤区域，才能进行下一步的肿瘤诊断，预后分析和制定个性化治疗计划。准确分割直肠癌肿瘤区域是治疗的关键步骤。如果分割不准确，将对后续分析产生很大影响。在传统的分割步骤中，分割过程是由具有丰富专业知识和临床经验的影像科医生完成的。然而，由于医生的主观判断和经验差距，这一过程非常耗时，分割的准确性会有很大的个体差异。据统计，普通放射科医生对直肠癌分割的Dice相似系数为0.71，分割时间为600s/例。自动分割可以大大减轻成像医生的负担，提高分割的鲁棒性和分割的一致性。因此，实现直肠癌的自动分割在临床治疗上非常具有意义。

为了解决放射科医生在分割直肠癌时遇到的问题，我们提出了一个名为U-Transformer的深度学习模型。U-Transformer是一个基于Transformer和全尺度跳跃连接的U形架构，由编码器和解码器组成。首先将一维的图像patch送入Swin-Transformer中提取上下文特征，然后利用Patch Merging进行下采样，用于缩小每个token的分辨率并且调整其通道数，进而形成层次化的设计。在解码器部分，使用全尺度跳跃连接作为解码器，解码器中融合了低层细节和高层语义，充分利用了多尺度特征。与普通CNN相比，该方法可以学习到更多全局信息，具有更大的感受野，从而实现高精度的医学分割。与一些研究中使用的Astrous卷积、自我注意机制和图像金字塔相比，U-Transformer在建模长期依赖性方面没有限制，并且能够很好地分割肿瘤内的非肿瘤区域，分割的Dice系数达到了0.87。

发明内容

为克服现有技术不足，本发明旨在提出一种基于U-Transformer的直肠癌CT影像自动分割方法，实现了直肠癌肿瘤CT影像的分割，避免了人工分割存在的低效率及不稳定的缺陷，从而为相关疾病的诊断、治疗和手术引导提供准确的依据。

为此，本发明解决其技术问题所采用的具体步骤如下：

步骤1，实验数据的预处理；

步骤2，构建U-Transformer网络模型；

步骤3，训练U-Transformer网络模型；

步骤4，采用训练好的U-Transformer网络模型进行CT影像中直肠癌的分割，并对分割效果进行评估。