[发明专利]一种基于轻量化卷积神经网络的肝肿瘤分割方法

权利要求书

1.一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，具体包括以下步骤：

S1.获取初始腹部CT样本数据；

S2.数据预处理和数据增广；

S3.搭建基于轻量化卷积神经网络的分割模型GDASP-Unet；

S4.在所述步骤S3构建的分割模型上，用训练集和验证集训练模型，并用测试集对训练好的模型进行测试，评估模型性能。

2.根据权利要求1所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S2具体包括以下内容：

S21.对步骤S1获取的肝脏CT图像进行HU的限制，其HU值的范围为[-120,420]；

S22.采用归一化方法对步骤S21限定的图像像素矩阵进行归一化处理；

S23.采用旋转、平移、缩小、扭曲对步骤S22归一化后的数据集以一定的比例进行扩充处理；

S24.按照7:2:1的比例把步骤S23处理后的数据集划分为训练集、验证集和测试集。

3.根据权利要求2所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S3所述分割模型的构建方法具体为：

S31.构造GDASP模块；

S32.在GDASP模块基础上，引入残差结构，构建分割模型GDASP-Unet。

4.根据权利要求3所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S31的具体方法为：

S311.首先对尺寸为W×H×C的高维输入特征图X，使用N个1×1的分组逐点卷积，得到G组W×H×K的特征图其中，g＝1，2，..G，N＝G×K；

S312.对特征图使用通道洗牌操作，实现不同分组通道之间的信息交换；

S313.对每一组的低维特征图采用膨胀率为r＝2^g-1(g＝1，2，...G，)、卷积尺寸为n×n×k的深度膨胀空间金字塔卷积，得到具有不同感受野的G组特征图；

S314.对每一组特征图进行层级相加后进行串联操作，得到输出特征图

S315.再次使用M个1×1的分组逐点卷积对进行升维或降维，然后进行通道洗牌操作，得到特征图Y；

S316.对原输入特征图X与特征图Y进行逐元素相加，得到最终的输出特征图Z。

5.根据权利要求4所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S32的具体方法为：在GDASP模块基础上，使用下采样、上采样操作，引入残差结构，构建最终的分割模型GDASP-Unet；分割模型GDASP-Unet包括用于捕捉高级特征的编码器和用于精准定位肿瘤分割的解码器，编码器和解码器呈对称关系，形成U型结构；分割模型GDASP-Unet中除了最后一层外，每一层后面都进行批归一化及非线性激活PReLU操作。

6.根据权利要求3所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S4中模型的训练与测试方法为：

S41.将网络总损失函数设定为由Dice Loss和Focal Loss组成的混合损失函数，并用Adam优化算法对步骤S3搭建的分割模型GDASP-Unet进行训练，训练结束时，提取对应于损失值最小时的参数作为最终权重；

S42.把训练阶段得到的最终权重加载到模型中，采用验证集中的CT切片进行验证，验证通过后进行步骤S43；

S43.将测试集中的CT切片送进步骤S42训练好的分割模型GDASP-Unet中进行测试，最终得到肝肿瘤分割图和对应的指标参数。