[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

说明书

本发明公开了一种基于深度学习的肝脏CT肿瘤分割与分类的方法，包括如下步骤：对肝脏CT图像进行预处理，按照X,Y方向的分辨率进行插值，进行重采样，寻找数据，构建训练数据，2D Dense U‑Net进行肝脏和肿瘤分割，3DDense U‑Net提取对应的三维特征，组成生成对抗网络。本发明属于肝脏CT肿瘤分割与分类方法技术领域，具体是指一种利用深度学习技术，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，具有非常大的应用前景的基于深度学习的肝脏CT肿瘤分割与分类的方法。

技术领域

本发明属于肝脏CT肿瘤分割与分类方法技术领域，具体是指一种基于深度学习的肝脏CT肿瘤分割与分类的方法。

背景技术

在世界范围内，肝癌的发病率高居第六，致死率位列第四。肝癌早期症状不易察觉，每当患者出现临床症状，往往已经达到了肝癌的中晚期，这就导致治愈几率大大降低。因此，肝脏肿瘤的早发现、早诊断、早治疗是肝脏肿瘤诊断治疗研究的重要课题之一。腹部计算机断层扫描(CT)是检测肝脏疾病的常用医学影像方法，在试剂临床工作中，主要通过专业的医生手工分割肝脏肿瘤，再根据临床经验对分割出来的肝脏肿瘤进行分类判断，不仅效率低，而且对医生的医学水平和临床经验要求很高。因此，本发明研究一种自动、快速、准确且适合临床应用的肝脏肿瘤CT图像分割与分类方法具有重要意义。现有技术的缺点：

1.肝脏区域以及肿瘤分割算法精度不高；

2.目前大部分研究都集中在肝脏以及肿瘤的分割上，并未有对分割出来的肿瘤进行分类。

专利CN202110049310.2，设计了一种基于深度学习的对肝脏肿瘤进行分割的方法，其与传统的图像分割算法、基于机器学习的分割算法进行对比，使用类似u-net的网络结构进行训练,解决了传统分割方法的时效性、通用性、和准确性，但是目前主流的分割方法都已使用深度学习方法，因此其方法缺少理论上的创新。专利CN202110493749.4，本发明提供一种基于深度学习的肝脏图像分割方法，通过利用粗分割神经网络和细分割神经网络对腹部CT图像进行处理，提高肝脏分割的效果，但是其得到最终分割结果需要经过两个不同的网络模型，中间得到的结果需要裁剪成图像块再输入下一级的网络，并不能端到端的得到最终的结果。本发明利用深度学习技术，对肝脏肿瘤部分就行分割，深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征，其肝脏肿瘤分割结果优于传统算法，因此，将深度学习用于肝脏肿瘤的图像处理中，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，具有非常大的应用前景。

发明内容

为了解决上述难题，本发明提供了一种利用深度学习技术，对肝脏肿瘤部分就行分割，深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征，其肝脏肿瘤分割结果优于传统算法，将深度学习用于肝脏肿瘤的图像处理中，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，具有非常大的应用前景的基于深度学习的肝脏CT肿瘤分割与分类的方法。

为了实现上述功能，本发明采取的技术方案如下：一种基于深度学习的肝脏CT肿瘤分割与分类的方法，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；