[发明专利]基于生成对抗网络和多尺度特征融合的医学影像分割装置

权利要求书

1.一种基于生成对抗网络和多尺度特征融合的医学影像分割装置，其特征在于，所述装置包括：一由粗到细的肝脏肿瘤分割框架，

所述分割框架的输入是原始3D的CT影像，经预处理后得到标准化图像；利用训练后的基于特征图合成的生成对抗网络中的判别器分割出肝脏，输出预测概率图；

所述概率图中每个像素中的值表征该像素属于肝脏的概率，生成对抗网络通过生成器和判别器之间的对抗学习，学习更多的信息；

自动提取肝脏ROI：将肝脏3D分割结果和标准化图像进行点乘，屏蔽其他非相关脏器，计算出肝脏区域最小外接长方体并剪裁，将不同大小肝脏重采样至同一尺寸；

将肝脏ROI作为输入，利用训练好的基于改进V-Net的三通道级联网络，融合多尺度特征，扩大感受野，处理不同数据中的目标区域位置、形状和大小差异问题和病变区域边界模糊问题，最终得到肿瘤分割结果。

2.根据权利要求1所述的一种基于生成对抗网络和多尺度特征融合的医学影像分割装置，其特征在于，

所述判别器为融入了金字塔池化模块的V-Net网络，所述生成器为使用基于特征图合成的神经网络，生成器利用空间金字塔池化输出的特征图进行训练，从无标签数据中学习CT影像的分布并生成伪图像数据。

3.根据权利要求1或2所述的一种基于生成对抗网络和多尺度特征融合的医学影像分割装置，其特征在于，

所述判别器使用划分后的带标签的数据、无标签数据和生成器生成的伪数据进行半监督学习；判别器网络与生成器网络互相对抗学习，直至判别器与生成器达到动态平衡时结束训练。

4.根据权利要求2所述的一种基于生成对抗网络和多尺度特征融合的医学影像分割装置，其特征在于，所述基于金字塔池化模块的V-Net网络为：

利用空间形状感知模块来改进金字塔池化，并将其附加在V-Net网络的跳跃连接中，所述空间形状感知模块用于捕捉图像中的不同病变区域之间的长距离依赖关系，捕获局部上下文的相关性；

对于输入的张量，利用三个相互垂直的片状子对其进行处理得到三个输出，将三个输出扩展至与输入张量一致大小并进行融合，得到新的特征向量。

5.根据权利要求4所述的一种基于生成对抗网络和多尺度特征融合的医学影像分割装置，其特征在于，所述融合过程为点积操作后接Softmax激活函数，将融合后的张量与原始的输入张量进行相同的融合操作，得到最后的输出张量；

使用三种尺度的三维池化层，将输入的特征图分别池化至1×1×1、2×2×2和3×3×3三种尺度；对三尺度的池化结果通过卷积缩减通道数；接着分别上采样至原始特征图尺寸，将其与原始特征图和空间形状感知模块的输出结果融合；再次通过卷积缩减通道数，得到包含多尺度信息的特征图。

6.根据权利要求4所述的一种基于生成对抗网络和多尺度特征融合的医学影像分割装置，其特征在于，所述基于改进V-Net的三通道级联网络为：多尺度分割网络，

第一个分支的输入为将原始输入数据的三个维度各缩小至0.5倍，输出相应的分割结果之后对结果进行2倍上采样，并将其他两个分支的结果进行融合，输出肝脏肿瘤的分割图。