[发明专利]一种基于改进U-Net的肝脏肿瘤分割方法

权利要求书

1.一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，包括以下步骤：

步骤一：获取腹部CT数据集，并对数据集进行预处理；

步骤二：基于Pytorch深度学习框架搭建用于肝脏肿瘤分割的网络模型，在U-Net基础上进行改进，具体变化为：

在编码阶段使用混合空洞卷积替换原有卷积块，在解码阶段使用密集上采样卷积替换原始上采样，使用残差模块替换普通卷积块，在每个跳跃连接之间加入注意力机制；

步骤三：将预处理后的数据输入到基于改进U-Net的肝脏肿瘤分割网络中进行训练，得到最佳的网络模型；

步骤四：使用训练好的网络模型对经过预处理之后的待预测肝脏肿瘤CT图像进行分割，获取肝脏分割结果图和肿瘤分割结果图。

2.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤一中的具体过程如下：

1)步骤一中所述的数据集来自于MICCAI2017LiTS挑战数据集，包括来自7个临床机构的131名患者的增强腹部CT影像，由经验丰富的放射科医生对肝肿瘤进行标注，LiTS是用于肝脏肿瘤分割的常用数据集，包含3D CT图像和对应的真实的分割掩码；

2)将数据集中的CT图像和对应的标签图像分为训练集、验证集和测试集；

3)对数据集图像进行去噪处理；设定阈值，将CT图像中灰度值在阈值之外的部分截断掉；对肝脏CT图像沿Z轴进行切片处理，切片后的CT图片像素大小为512×512。

3.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤二中的具体过程如下：

1)构建的网络模型使用3次下采样和3次上采样，保留原始的U形对称结构；

2)在U-Net编码阶段使用混合空洞卷积替换原有卷积块，空洞率分别为1、2、3，卷积核大小为3，激活函数为ReLU，混合空洞卷积能够增大感受野、获取更多的上下文信息，同时能够避免空洞卷积产生的网格效应；在解码阶段使用密集上采样卷积替换原有上采样，捕获和解码更详细的信息；使用残差模块替换普通卷积块，加速模型的训练并防止网络退化；在每个跳跃连接之间加入注意力机制(CBAM)，CBAM能够使模型捕捉通道维度和空间维度上的重要特征信息，重点关注感兴趣区域，抑制冗余特征；在网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型。

4.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤三中的具体过程如下：

1)在网络中输入训练集和验证集，使用训练集进行基于Pytorch搭建好的网络模型的训练，开始基于改进U-Net的肝脏分割网络和肝肿瘤分割网络的训练；通过前向传播对网络模型进行训练，然后通过softmax分类器输出预测的概率图，并选择损失函数；根据所述损失函数得到的计算误差，进行反向传播，更新网络模型中参数的值；重复上述过程直到损失函数值收敛到设定范围；对得到的网络模型进行验证，得到最佳的网络模型；

2)模型训练时使用Focal Tversky损失函数(FTL)用以解决肝脏肿瘤分割中的类不平衡问题；

3)验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，即网络收敛时提前结束训练，保存训练好的网络模型参数。

5.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤四中的具体过程如下：

1)使用训练好的肝脏分割网络模型对测试集进行分割，得到最终的肝脏分割结果图；

2)使用训练好的肝肿瘤分割网络模型对测试集进行分割，得到最终的肿瘤分割结果图。