[发明专利]一种基于深度学习的肝脏CT肿瘤分割与分类的方法

权利要求书

1.一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于，包括如下步骤：

(一)对肝脏CT图像进行预处理，根据将原始CT图像截取到[-200,250]，即Hu值小于-200的设置为-200，大于250的设置为250；

(二)在Z轴方向，按照X,Y方向的分辨率进行插值，进行重采样，统一X，Y，Z轴的分辨率；

(三)根据掩模图像寻找X_min,X_max,Y_min,Y_max,Z_min,Z_max，像在三维坐标中计算掩模的最小外接立方体；

(四)为丰富样本多样性，根据最小外接立方体，在Z轴上向上向下扩展15张，以此作为训练数据；

(五)为了充分提取高阶特征，首先使用了2D Dense U-Net，2D DenseU-Net进行肝脏和肿瘤分割表示为：

X_2d＝f_2d(I_2d；θ_2d),X_2d∈R^{12n×224×224×64},

将2D Dense UNet的特征图转换为体积形状，如下：

X_2d′＝f_2d(I_2d；θ_2d),X_2d′∈R^{12n×224×224×64},

(六)通过3DDense U-Net提取对应的三维特征，将步骤(四)得到的三维数据，每次输入训练时在Z轴上随机选择64张输入进行训练，联合优化混合特征融合层中的混合特征，将3DDense U-Net通过原始体积I与来自2D网络的信息连接起来，提取三维特征，3DDense U-Net被描述为：

然后再HHF层联合学习和优化混合特征，

(七)为了得到更好的分割效果，把U-Net网络分割结果的作为生成器G，选择性能较优的鉴别企D，组成生成对抗网络，公式如下：

2.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于：所述步骤(五)中I∈R^{n×224×224×12×1}表示输入训练样本，n表示批次大小输入训练样本，其中X_2d来自上采样层，是输入I_2d的相应像素概率。

3.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于：所述步骤(六)中Z表示混合特征，分别来自2D和3D网络的切片内和切片间特征的总和。

4.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于：所述步骤(七)中表示真实的数据分布，而表示生成器生成的数据分布，z是基于均匀分布的随机数字。