[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

说明书

本发明涉及医学图像分割技术领域，具体涉及一种基于生成式对抗U‑Net网络的2.5D医学图像分割方法，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。本方法能够有效的减少训练集的量，减少医学专家的工作负担；还可以提高分割精度。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种基于生成式对抗U-Net网络的2.5D医学图像分割方法。

背景技术

医学图像是疾病诊断的重要依据，传统的医学图像分割通常由医学专家手动完成，耗时长，分割精确度要求高且受主观和环境等多种因素影响，非常依赖医生的经验。随着日益增加的阅片量，出现了结合深度学习方法的自动分割方法，来缓解医生的图像分割压力。

目前，主流的自动分割方法，基本上都只适用于2D医学图像。而3D医学图像的自动分割技术，虽然也有不少系统性的研究，但其分割效果远没有2D图像那么成熟，仍存在一些关键性的问题。如果使用2D模型进行3D医学图像的自动分割，由于2D模型忽略了z轴方向切片之间的上下文信息，会导致分割精度较低，且从2D切片中无法捕获3D图像中所包含的上下文关键信息。而如果使用3D模型进行3D医学图像的自动分割，3D模型的训练需要较为夸张的硬件配置和计算资源，计算成本又会过高，曾有业内人员尝试使用3D网络结构来分割3D医学图像，实验设备使用到高达24G的视频随机存取存储器(VRAM)来训练和测试他们的网络。并且，由于3D网络模型的大量参数和计算消耗限制了更深更复杂的网络结构的设计，其收敛效率还很低。

综上，无论是2D模型还是3D模型都不适用于3D医学图像的自动分割。为了解决这样的问题，出现了能够相对兼顾分割精度和计算成本的2.5D分割技术。2.5D分割技术的原理为，将3D医学图像进行多个轴向的连续切片后，用分割网络模型对各维度的图像进行分割预测，并输出预测结果图像，再对预测结果图像进行堆叠还原，最后将不同轴向的堆叠图像结果进行融合，得到3D分割结果。但是，目前的2.5D分割技术的实际分割效果仍不是特别理想。2.5D分割技术的关键，在于对不同维度信息进行处理的分割网络模型，目前的分割网络模型都是U-Net 网络模型。虽然研究人员基于 U-Net 提出了一系列的改进方法，例如将简单的卷积层换为深度残差网络或者空洞卷积、融合不同的损失函数等，虽然分割精度有了一定的提高，但仍不够特别理想。除此，现有分割网络模型在完成训练的过程中，需要较大的训练集，而为了保证训练的效果，训练集需要由相关的医学专家手动制作，因此，现有的2.5D分割技术，需要医学专家付出大量的时间和精力来制作训练集。

发明内容

针对上述现有技术的不足，本发明提供了一种基于生成式对抗U-Net网络的2.5D医学图像分割方法，能够有效的减少训练集的量，减少医学专家的工作负担；同时还可以提高训练完成后的分割精度，保证分割结果的准确性。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于生成式对抗U-Net网络的2.5D医学图像分割方法，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；