一种基于深度学习的CT图像肝脏肿瘤分割方法技术

本发明专利技术涉及一种基于深度学习的CT图像肝脏肿瘤分割方法，具体解决原始U‑Net深度较小、结构较为简单、训练出效果好的模型有一定难度、对CT图像肝脏肿瘤分割准确性不足的问题。对CT图像肝脏肿瘤分割的准确性不足的问题。具体将U‑Net的网络结构进行优化和改进，添加Dropout层和Batch Normalization层对网络结构进行修改，并使用VGG‑16网络模块代替U‑Net的编码器部分，建立优化的模型来对肝脏肿瘤CT图像进行精确的分割。

A method of liver tumor segmentation based on deep learning in CT image

【技术实现步骤摘要】
一种基于深度学习的CT图像肝脏肿瘤分割方法
本专利技术属于医学图像处理领域，涉及一种基于深度学习的CT图像肝脏肿瘤分割方法。
技术介绍
肝脏是人体腹腔内最大的实质性器官，它有着十分复杂的结构和丰富的血管。且肝脏有病变种类多、发病率高的特点。肝脏肿瘤图像的精确分割对肝脏的治疗起着至关重要的作用，但由于肝脏肿瘤的大小、形状、位置不定的复杂性，其分割对于传统的机器学习方法具有难度高，计算量大的特点。随着深度学习在机器视觉领域的快速发展及医学图像数量的快速增长，基于深度学习的医学图像分析逐渐成为重要的治疗辅助工具。许多研究者已经在深度学习应用于医学图像分割方面做了大量的研究，提出了很多实用的分割方法。"Gradient-basedlearningappliedtodocumentrecognition.",LeCun,Yann,etal,ProceedingsoftheIEEE86.11(1998)中提出了卷积神经网络，其显著特点是局部感受野和权重共享，卷积神经网络由于其特性，适用于对图像的处理，常用于对图像的分类、目标检测和分割。"VeryD本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CT图像肝脏肿瘤分割法，包括以下步骤：/n(1)准备用于训练网络的数据集，并进行图像预处理；/n(2)构建并训练基于U-Net的改进网络模型，所述的改进网络模型是在U-Net网络结构上调整得到的，具体变化为：/n在U-Net的网络结构第一层前加入批量标准化层Batch Normalization及在每个卷积层模块之间加入批量标准化层Batch Normalization和Dropout层，使用VGG模块替代U-Net的编码器模块；/nU-Net在编码器上使用卷积层和最大池化层进行下采样，之后使用上采样与编码器的池化层的特征图相结合，每一步的上采样都会加入来自相对应编码器的...

【技术特征摘要】
1.一种基于深度学习的CT图像肝脏肿瘤分割法，包括以下步骤：
(1)准备用于训练网络的数据集，并进行图像预处理；
(2)构建并训练基于U-Net的改进网络模型，所述的改进网络模型是在U-Net网络结构上调整得到的，具体变化为：
在U-Net的网络结构第一层前加入批量标准化层BatchNormalization及在每个卷积层模块之间加入批量标准化层BatchNormalization和Dropout层，使用VGG模块替代U-Net的编码器模块；
U-Net在编码器上使用卷积层和最大池化层进行下采样，之后使用上采样与编码器的池化层的特征图相结合，每一步的上采样都会加入来自相对应编码器的特征图；
(3)使用训练好的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，得到分割结果。


2.根据权利要求1所述的一种基于深度学习的CT图像肝脏肿瘤分割法，其特征在于：
步骤1中所述的数据集选用LiTS数据集，LiTS是用于肝脏肿瘤分割的数据集，包含3DCT图像和对应的...

【专利技术属性】
技术研发人员：王瑾，熊志琪，朱青，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11