[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

说明书

本发明公开了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，包括：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生成对抗网络中的判别器分割出肝脏，输出预测概率图；概率图中每个像素中的值表征该像素属于肝脏的概率，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。

技术领域

本发明涉及机器学习的计算机视觉领域，尤其涉及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。

背景技术

随着计算机技术和生物医学的发展，医学成像设备逐渐普及，多种医学成像技术已广泛应用于临床。例如：核磁共振成像(MRI)、计算机断层扫描(CT)、超声(Ultrasound)、X射线(X-ray)等，都是以非侵入方式对人体内部各个器官、不同组织和病变区域显影。医学影像分割在疾病诊断、病例分析、手术规划、预后评估中起着不可或缺的辅助作用，不仅可以为医生提供器官发生病变的位置、病变区域大小、病灶严重程度等极具价值的信息，而且可以在外科手术过程的实时成像中发挥作用。深度学习在医学图像分割领域得到迅速发展，其利用非线性组合将低层次的特征组合成抽象的高层次特征，解决了医学图像低分辨率且高复杂性的分析难点，因此，深度学习网络的构建、升级和合理解读成为当前人工智能与医学交叉领域研究的热点之一。

目前，如何实现肝脏肿瘤高精度自动分割，这仍然是医学图像处理中最具挑战性的任务之一。由于人工成本和专业知识限制，很难在一个大型的肝脏图像数据集中在体素水平上对肝脏及肝脏肿瘤进行标注，对以数据为驱动的深度学习模型来说，带标签数据的缺乏无疑是当前亟需解决的问题。其次，与肝脏相比，肝脏肿瘤不仅体积小，灰度分布不均匀，而且形状、数目和位置也因人而异，肿瘤和器官的边界十分模糊，这些特点使得对肝脏肿瘤进行精细化分割的难度上了一个台阶。

当前，国内外的医学图像分割的方式可分为：传统技术、基于浅层机器学习的技术和基于深度学习的技术。传统的图像分割技术利用图像的灰度、纹理、边缘等特征，通过手动设置特征值来分割目标区域，分割结果的好坏与手动设置的特征密切相关，通常会限制复杂场景的预测表现，忽略了大量的可利用的原始图像信息；面对传统分割技术中的局限性，机器学习的发展为医学图像的分割提供了新的解决思路，浅层机器学习技术包含：聚类、支持向量机等，均依赖于手动提取特征，人工成本和时间成本高，并且特征选取的质量直接影响了分割效果；有关深度学习的研究经历了长期发展和演进，从1943年MP(逻辑神经元)模型被提出开始，历代研究者先后提出感知机、反向传播算法、卷积神经网络、生成对抗网络、残差网络等网络模型，这些方法的出现为机器学习注入新鲜血液。随着人工智能在医学领域的应用和推广，利用深度学习算法从医学图像中分割肝脏及其肿瘤已经取得了不错的成果，分割精度相较于传统图像分割方法和基于浅层机器学习的分割方法有极大提升，但仍存在部分问题成为其进一步发展的阻碍。例如：针对密度分布不均或不同尺度下肝脏肿瘤，现有的分割技术仍有较大的进步空间；另外，目前还没有一个大型的有标签数据集能够充分满足深层网络的训练需求，因此，研究如何在样本数据较少的情况下进行学习十分必要。

对于医学图像，特别是三维图像，获取标注数据需要耗费大量人工成本和时间成本，小样本问题在一定程度上阻碍了AI(人工智能)医学影像的发展。近年来研究者们尝试多种方法，充分使用不完整的数据集，提出了许多高性能的模型，以减小医学图像分割中对标记数据的需求。数据决定了模型性能的上限，在标注数据量十分有限的情况下，如何使少量数据发挥更大作用，是医学图像分割研究中亟待解决的问题。

目前深度学习在肝脏肿瘤分割领域中取得了卓越的成效，但是由于医学影像自身的特点，分割任务存在以下问题：