[发明专利]一种基于生成式对抗U-Net网络的2.5D医学图像分割方法

权利要求书

1.一种基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于，包括以下步骤：

步骤1、获取待分割的3D医学图像；

步骤2、分别沿多个轴向对3D医学图像进行连续切片，得到各轴向的2D切片图像组；

步骤3、分别将各轴向的2D切片图像组中的图像，输入对应轴向的分割网络模型中，得到对应轴向的预测分割图像；其中，所述分割网络模型包括生成式对抗网络GAN和U-net模型，并且将U-Net模型作为生成式对抗网络GAN的生成器；

步骤4、分别将各轴向的预测分割图像进行堆叠，得到对应轴向的3D预测图像；

步骤5、按照预设的权重值，计算各轴向的3D预测图像中各对应体素点的像素预测值的投票值，若某体素点的像素预测值的投票值大于等于预设的目标值，则将该体素点判定为分割目标体素，否则将该体素点判定为背景体素，得到3D分割结果。

2.如权利要求1所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：步骤2中，所述多个轴向包括矢状轴方向、冠状轴方向和垂直轴方向；所述各轴向的2D切片图像组包括冠状面、矢状面和横断面的2D切片图像组。

3.如权利要求2所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：所述分割网络模型的训练过程包括：

S1、获取3D医学图像数据后，将3D医学图像沿矢状轴方向、冠状轴方向或垂直轴方向进行连续切片，分别获取横截面、矢状面和冠状面的2D切片图像组，得到对应轴向的训练集和测试集；

S2，为各轴向的2D切片图像设置真实标签，得到对应轴向的真实标签集；

S3、将各训练集中的2D切片图像输入到对应的分割网络模型的U-Net模型中，将U-Net模型的生成结果与对应的真实标签一同输入到生成式对抗网络GAN的判别器，进行训练优化；

S4，将测试集输入到对应的优化后的分割网络模型中，对分割网络模型的预测分割结果进行验证，若预测分割结果达到预设标准，则判定为分割网络模型优化完成，否则返回S3。

4.如权利要求1所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：步骤2中，还对2D切片图像组中的图像进行预处理。

5.如权利要求4所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：步骤2中，所述预处理包括去除噪声和窗口调整。

6.如权利要求5所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：步骤2中，所述窗口调整包括窗位调整和窗宽调整。

7.如权利要求1所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：步骤3中，得到各轴向的预测分割图像后，还通过形态学的方法去除预测分割图像的孤立区域。

8.如权利要求2所述的基于生成式对抗U-Net网络的2.5D医学图像分割方法，其特征在于：步骤5中，各轴向3D预测图像中对应体素点的预测像素值的权重相等。