[发明专利]一种基于改进U-Net的肝脏肿瘤分割方法

说明书

本发明涉及一种基于改进U‑Net的肝脏肿瘤分割方法，针对传统的U‑Net网络在形状、大小、位置复杂多变且边界模糊的肿瘤分割中信息丢失、分割精度低等问题，在U‑Net编码阶段使用混合空洞卷积替换原有卷积块，增大感受野、获取更多的上下文信息。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，使模型重点关注感兴趣区域，抑制冗余特征。使用FocalTversky损失函数以改善类不平衡问题，最后使用LiTS2017数据集对改进模型进行训练及测试。相较于传统U‑Net，本发明所述的改进模型在多个评价指标中表现较优，分割结果与金标准大体上接近并具有很强的鲁棒性，能够有效地解决肝脏及肝肿瘤的欠分割与过分割问题，具有一定的临床参考价值。

技术领域

本发明属于医学图像处理领域，特别涉及一种基于改进U-Net的肝脏肿瘤分割方法。

背景技术

肝脏是人体新陈代谢的重要器官，对人体有着不可替代的重要作用。肝癌即肝脏恶性肿瘤，是世界上最常见的癌症疾病之一。肝癌已成为人类健康的巨大威胁，对其进行早期诊断可以显著降低患者死亡率。计算机断层扫描(CT，Computed Tomography)是肝癌检测的重要手段，也为医生进行肿瘤切除提供重要依据。然而传统的手动分割针对大小形态不一、边界模糊的肿瘤分割难度极大，对医生的临床经验有着很强的依赖性，且长时间的手动分割，医生会过度疲劳，极易出现误诊和漏诊的情况，因此手术前必须对肝脏和肿瘤的位置、形状有着精准的定位和分割，这对肝脏的治疗起着至关重要的作用。

考虑到手动分割存在的种种不足，研究者们就想研究出一种高效方便的、实用简单的、具有可重复性的、精度高的全自动医疗图像分割方法，能够取代费时费力的手动分割方法和依赖主观性较强的半自动分割方法。这样不但可以减轻人工分割的负担，还可以提高分割的效率和精确度，帮助医生对病人做出更全面的诊断和进一步的治疗，对指导临床诊断有重要价值，而且能够促进现代化医疗更进一步的发展。

医学图像的分割方法主要分为传统的医学图像分割方法、基于机器学习的医学图像分割方法和基于深度学习的医学图像分割方法。传统的医学图像分割方法主要有阈值法、主动轮廓、区域生长和水平集法，但并不适用于肿瘤分割这样的复杂任务。基于机器学习的医学图像分割方法主要有支持向量机、聚类方法等，但比较依赖于手动设计和选择肝肿瘤的特征，这需要研究人员有对应相关的专业知识。

近几年来，随着人工智能技术的发展，深度学习已经成为计算机视觉领域的一个研究热点，在图像分割领域广泛应用并且取得了瞩目成果，尤其是卷积神经网络(Convolutional Neural Network，CNN)的发展，使得图像的分类、分割、检测、识别等领域都取得了跨越式发展。特别是U-Net网络的出现，对于深度学习用于样本较少的医学影像的处理很有帮助，在医学图像分割中取得了巨大进展。然而U-Net网络将编码和解码阶段的特征图直接融合，忽略了不同通道特征的重要性，这会产生许多冗余信息。而且U-Net网络存在语义信息不全面和上下文信息联系不紧密的问题，针对肝脏肿瘤的分割精确度不够，对U-Net网络结构的改进可以提升其效率与精确度。

发明内容

本发明所解决的技术问题是针对U-Net网络存在语义信息不全面、上下文信息联系不紧密和U-Net网络将编码和解码阶段特征图简单拼接时产生大量冗余信息导致的分割精度低问题，提出一种基于改进U-Net的肝脏肿瘤分割方法。

一种基于改进U-Net的肝脏肿瘤分割方法，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；