一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法技术

本发明专利技术涉及深度学习算法领域，尤其涉及一种用于肝脏肿瘤CT图像分割技术的DN‑U‑net网络方法领域。本发明专利技术包括：(1)获取肝脏肿瘤CT图像；(2)对所获得的图像进行预处理，将3D原始数据进行切片处理得到所需的数据格式，然后转化为可以用来训练的数据集；(3)使用中值滤波对数据进行处理，用于处理斑点噪声和椒盐噪声；(4)对数据图像进行数据增强；(5)DN‑U‑net网络的训练与分割等。本发明专利技术使用数据增强，将原图与标签同时进行处理，对数据进行数据反转、数据旋转和数据缩放操作，这样可以获得更多的图像，增大了训练集的数量。

A dn-u-net network method for CT image segmentation of liver tumor

【技术实现步骤摘要】
一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法
本专利技术涉及深度学习算法领域，尤其涉及一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法领域。
技术介绍
肝脏是人体内脏最大的一个器官，同时它也是新陈代谢的重要器官，肝脏是否健康直接决定了一个人的健康状况，肝癌已经成为了中国恶性肿瘤的第二号杀手，对人们的生命和健康造成了巨大危害。目前，想要治疗肝癌的主要手段依然是进行肝肿瘤切除、放射治疗等，而进行肝肿瘤切除是最有效的方式。想要进行精确的切除，不但需要医生具备丰富的临床经验，还需要借助科学技术的辅助，因为需要精确了解肿瘤的形状、位置等信息。CT是肝癌检测的重要手段，也是医生进行肝肿瘤切除的重要依据，肝脏肿瘤手动分割对医生的医学水平和临床经验要求很高，如果手动分割肝脏肿瘤的医生经验不足，就不能得到准确的分割结果。随着深度学习技术的不断创新，研究者们提出了很多全自动化分割医疗图像的方法，比如卷积神经网络、全卷积神经网络和循环神经网络都可以实现医疗图像的全自动分割，不但提高了分割效率，而且在精度上也比半自动分割提高了很多，因此深度学习在医疗图像分割上具有非常大的应用前景。对于已有的全卷积神经网络U-net的肝脏肿瘤CT图像的分割算法，通常在进行神经网络训练时，可能会出现模型收敛速度慢和梯度消失等问题。目前已有文献提出了一些改善方法，有学者提出了一种基于深度卷积神经网络和图割算法相结合的肝肿瘤分割方法，使用不同的转移函数，在损失函数中加入正则惩罚项，使用图割算法对卷积神经网络得到的二值肝脏肿瘤图像进行优化，得到最终的肝脏肿瘤分割方法。也有学者提出了一种3D卷积神经网络用来分割肝脏肿瘤图像的方法，该方法使用3×3×3的卷积核，将ReLU作为激活函数，直接使用3D断层扫描数据，相比2D卷积神经网络精确率有了一定提高。虽然使用卷积神经网络对医疗图像分割取得了一定的成果，但是仍然存在很多缺点，无法达到像素级的分割，分割的精确率仍需要进一步的提高。有学者提出了全卷积网络FCN，其将卷积神经网络的全连接层全部换成了卷积层，这种方式不但可以输入任何尺寸的数据，而且实现了像素级的图像分割，使得分割后的精确率进一步提高，但是得到的结果不够精细，进行8倍的上采样虽然比32倍效果好了很多，但是上采样结果还是比较模糊和平滑的，对图像中的细节不敏感。对各个像素进行分类，没有充分考虑像素与像素之间的关系，忽略了在通常的基于像素分类的分割方法中使用的空间规整步骤，缺乏空间一致性。而改进的U-net网络在新构造的DN-U-net(D指Depthwiseseparableconvolution深度可分离卷积，N指Normalization归一化)网络模型中增加了一部分规范层进行归一化处理，这样能够有效防止过拟合，而且提高网络的泛化能力。把新构造的DN-U-net网络中的普通卷积替换为深度可分离卷积，可以有效的减少网络参数，缩小网络模型的大小，提升网络模型的运算速度。
技术实现思路
本专利技术的目的在于对传统U-net网络的缺点进行改进，并提出基于U-net网络的DN-U-net网络，使得归一化操作的计算不再依赖batchsize的大小，并且减小了网络模型大小，有效的减少计算量，最终提高分割效果。本专利技术是这样实现的：一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法，所述方法包括如下步骤：(1)获取肝脏肿瘤CT图像；(2)对所获得的图像进行预处理，将3D原始数据进行切片处理得到所需的数据格式，然后转化为可以用来训练的数据集；(3)使用中值滤波对数据进行处理，用于处理斑点噪声和椒盐噪声；(4)对数据图像进行数据增强；(5)DN-U-net网络的训练与分割；(6)分割结果分析。所述步骤(5)中，DN-U-net网络的训练与分割包括如下步骤：(51)构建DN-U-net网络；(52)增加组归一化处理GN；(53)使用深度可分离卷积将一种将标准卷积分解为深度卷积和一个1×1的逐点卷积；(54)训练集经过数据增强、滤波和局部直方图均衡放入DN-U-net网络中进行训练。所述步骤(52)中，特征归一化算法公式为：式中，式中，i是索引，xi是四个维度的坐标，μi为平均值，σi为标准差，k是集合Si中的索引，ε为取值趋近于0的一个小常数，Si是计算均值和标准差的像素集合，m是该集合的大小。所述步骤(52)中，使用组归一化GN先将channel分为多个组，然后把feature的维度由[N,C,H,W]转换为[N,G,C//G,H,W]，再对每一组进行归一化处理,最后得到的归一化维度为[C//G,H,W]，其中N表示batchsize，H表示feature的高度，W表示feature的宽度，C表示feature的通道。所述步骤(6)中，分割结果分析包括如下步骤：(61)训练过程结果分析；(62)DN-U-net网络图像分割结果分析。所述步骤(62)中，分割结果分析包括：相似系数分析，精确度分析，召回率分析；所述相似系数的计算公式为：其中，Seg是算法预测的分割结果，Ref是专家手动勾画的金标准；所述精确度的计算公式为：其中，TP表示真阳性，是算法预测的分割结果和专家标定的金标准相匹配就被认为是正样本，FP表示假阳性，是算法预测的分割结果和专家标定的金标准不匹配，将本来的负样本错误的分类为了正样本；所述召回率的计算公式为：其中，FN表示假阴性，是算法预测的分割结果和专家标定的金标准不匹配，将本来是正样本分类为了负样本。本专利技术的有益效果是：1.使用数据增强，将原图与标签同时进行处理，对数据进行数据反转、数据旋转和数据缩放操作，这样可以获得更多的图像，增大了训练集的数量。2.本专利技术使用的DN-U-net网络是一种全卷积神经网络，该网络模型能够使用较少的数据进行端对端的训练，而且具有从数据中学习的能力，能融合细节信息与全局信息，经过训练后的网络能够提高分割效果。3.本专利技术提出的DN-U-net网络中在增加的规范层中使用了组归一化处理，加快了网络的收敛速度，并且使得batchsize的大小不会影响分割结果，在batchsize较小时也可以得到很好的分割效果。4.本专利技术针对U-net网络中的普通卷积计算量大，耗时时间长的缺点做出改进，用深度可分离卷积对传统卷积进行替代，不仅减少了计算量，也小幅度提高了精度。附图说明图1是DN-U-net网络结构图；图2是DN-U-net卷积层结构图；图3是深度可分离卷积结构图；图4是GN结构示意图；图5a是普通卷积与深度可分离卷积关系中普通卷积示意图；图5b是普通卷积与深度可分离卷积关系中深度卷积示意图；图5c是普通卷积与深度可分离卷积关系中1×1逐点卷积示意图；图6是DN-U-net网络训练本文档来自技高网...

【技术保护点】
1.一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法，其特征是：所述方法包括如下步骤：/n(1)获取肝脏肿瘤CT图像；/n(2)对所获得的图像进行预处理，将3D原始数据进行切片处理得到所需的数据格式，然后转化为可以用来训练的数据集；/n(3)使用中值滤波对数据进行处理，用于处理斑点噪声和椒盐噪声；/n(4)对数据图像进行数据增强；/n(5)DN-U-net网络的训练与分割；/n(6)分割结果分析。/n

【技术特征摘要】
1.一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法，其特征是：所述方法包括如下步骤：
(1)获取肝脏肿瘤CT图像；
(2)对所获得的图像进行预处理，将3D原始数据进行切片处理得到所需的数据格式，然后转化为可以用来训练的数据集；
(3)使用中值滤波对数据进行处理，用于处理斑点噪声和椒盐噪声；
(4)对数据图像进行数据增强；
(5)DN-U-net网络的训练与分割；
(6)分割结果分析。


2.根据权利要求1所述的一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法，其特征是：所述步骤(5)中，DN-U-net网络的训练与分割包括如下步骤：
(51)构建DN-U-net网络；
(52)增加组归一化处理GN；
(53)使用深度可分离卷积将一种将标准卷积分解为深度卷积和一个1×1的逐点卷积；
(54)训练集经过数据增强、滤波和局部直方图均衡放入DN-U-net网络中进行训练。


3.根据权利要求2所述的一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法，其特征是：所述步骤(52)中，特征归一化算法公式为：



式中，式中，i是索引，xi是四个维度的坐标，μi为平均值，σi为标准差，k是集合Si中的索引，ε为取值趋近于0的一个小常数，Si是计算均值和标准差的像素集合，m是该集合的大小。


4.根据权利要求2所述的一种用于肝脏肿瘤CT图像分割技术的DN-U-n...

【专利技术属性】
技术研发人员：项建弘，陈振兴，王霖郁，陈明杰，国强，周凯，黄丽莲，高敬鹏，汲清波，沈鹏宇，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23