[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

说明书

本发明公开了一种基于轻量化卷积神经网络的肝肿瘤分割方法，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。本发明有机结合膨胀空间金字塔卷积、深度可分离卷积以及分组卷积等技术，能够在减少网络参数和计算量的基础上，提高了模型的分割精度和特征表达能力。

技术领域

本发明涉及医学影像处理技术领域，特别是一种肝肿瘤的分割方法。

背景技术

肝癌是全世界发病率和死亡率极高的恶性肿瘤，严重威胁着人们的身体健康，通过早期的筛查和治疗可以有效地减少癌症的发病率和死亡率。CT是肝肿瘤检测的重要手段，也是医生进行肝肿瘤切除的重要依据，通过CT可评估肿瘤的数目、大小和在肝脏中的分布等。

可是随着医学技术的飞速发展，每一套CT图像都会产生几百张到上千张不等数量的图片，如果让医生通过观察每张图片去确定是否有病灶，这就会花费大量宝贵的时间和人力；而且长时间的手工分割，非常容易使医生产生过度疲劳，从而出现误诊和漏诊的情况。所以，研究出一种全自动的、不依赖医生主观意识的、精度高的肝肿瘤自动分割方法是十分必要的。

肝脏肿瘤图像分割的问题上，传统的图像分割方法存在分割边界不明确、分割结果粗糙、经验参数过多等问题。深度学习具有端到端、无需设计特征规则和挖掘数据潜在特征等优点，可以很好的解决上述问题。

目前，基于深度学习的方法已经在图像分割领域广泛应用，主要包括卷积神经网络、深度信念网络和循环神经网络等，而在医学图像分割中应用最多的是卷积神经网络，其分割的准确度很高，已超过了传统的分割方法。卷积神经网络(Convolutional NeuralNetwork,CNN)的基础可追隧到1994年Y.LeCun提出的LeNe网络，在LeNet网络的基础上产生了AlexNet、VGGNet、ResNet、Unet、Mask R-CNN、SegNet、DeepLab和UNet++等众多优秀的网络，在实际的图像分割中取得了比较好的效果。

虽然，上述模型在图像自动分类和分割问题上取得了不错的成果，但是在这些模型中，为获取更好的分割精度，多数情况下需要设计更宽、更深的卷积神经网络结构来提取更丰富的特征，如ResNet、DenseNet、Inception、EfficientNet等。但更宽、更深的网络导致训练的模型具有较大的参数量和运算量，使得在实际模型部署过程中，需要占据较大内存空间，同时会损耗较多电量、耗费较大成本。

发明内容

本发明需要解决的技术问题是提供一种基于轻量化卷积神经网络的肝肿瘤分割方法，在减少网络参数和计算量的基础上，提高模型的分割精度。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于轻量化卷积神经网络的肝肿瘤分割方法，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。

上述一种基于轻量化卷积神经网络的肝肿瘤分割方法，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；