一种基于尺度融合的腹部CT多器官的分割方法技术

本发明专利技术属于医学图像处理和其应用，涉及一种基于尺度融合的腹部CT多器官的分割方法，步骤如下：第一步：将已有数据集进行数据预处理，然后分为训练集、验证集和测试集进行训练和评估模型性能。第二步：在原有的U‑Net上加入了深度监督来避免由于器官大小在不同切片的多变造成的影响。第三步：将已经预处理好的数据输入到第二步中搭建的模型中训练，增加网络的对称性同时加快网络收敛速度。第四步：选择第三步中训练的最好模型用于验证集的CT图像分割进行模型验证。第五步：利用训练好的分割模型对测试集分割。本发明专利技术可以实现对于腹部区域CT图像的自动分割，且与现有的主流方法对比能取得较高的精度。

【技术实现步骤摘要】
一种基于尺度融合的腹部CT多器官的分割方法
：本专利技术属于医学图像处理和其应用，涉及一种基于尺度融合的腹部CT多器官的分割方法。
技术介绍
：随着现今社会的发展，越来越多的跨领域学科正在相结合以便更有效的解决面临的问题。其中利用深度学习方法的医学影像技术在医学诊断中有着不可或缺的作用，它能够利用已有的图像进行医学影像分析，帮助医生更好理解病情以进一步的进行诊断和给出治疗方案。而医学分割作为医学影像处理的第一阶段，对后续的影像分析都有重要意义！对腹部器官的分割能够精确定位到各个脏器，从而对手术的引导和医学影像的配准有着重要意义。人体内部器官分布复杂，没有清晰的边界来区分各个器官。但是利用电子计算机断层扫描(ComputedTomography)，它通过单一轴面的X射线旋转照射人体，由于不同的组织对X射线的吸收能力不同，于是就有不同组织的灰度图，这就得到了高分辨率的解剖图像。但是由于超声图像的一些局限，有时可能会产生阴影、斑点噪声和重叠的影响，再加上同一器官在不同切面的差异比较大、腹部CT图像的器官边界模糊，这也对一个临床经验不足的医生产本文档来自技高网...

【技术保护点】
1.一种基于尺度融合的腹部CT多器官的分割方法，其特征在于，步骤如下：/n第一步：将已有数据集进行数据预处理，然后分为训练集、验证集和测试集进行训练和评估模型性能；/n第二步：在原有的U-Net上加入了深度监督来避免由于器官大小在不同切片的多变造成的影响，同时引入了空间(spatial attention)和通道注意力(channel attention)机制让网络模型在通道和空间上都有关注的重点，从而更加准确的分割器官；/n所述第二步的模型搭建具体步骤如下：/n2.1网络模型选择基于U-Net网络和卷积神经网络CNN来进行搭建；/n2.2网络模型包含SE_Block、SP_Block两个注意...

【技术特征摘要】
1.一种基于尺度融合的腹部CT多器官的分割方法，其特征在于，步骤如下：
第一步：将已有数据集进行数据预处理，然后分为训练集、验证集和测试集进行训练和评估模型性能；
第二步：在原有的U-Net上加入了深度监督来避免由于器官大小在不同切片的多变造成的影响，同时引入了空间(spatialattention)和通道注意力(channelattention)机制让网络模型在通道和空间上都有关注的重点，从而更加准确的分割器官；
所述第二步的模型搭建具体步骤如下：
2.1网络模型选择基于U-Net网络和卷积神经网络CNN来进行搭建；
2.2网络模型包含SE_Block、SP_Block两个注意力模块，同时还有conv_block、up_conv进行特征提取和上采样；其中conv_block是网络模型的特征提取模块，它包含了3个卷积层(3个都为三维卷积，卷积核大小都为3，填充(padding)为1)，然后接着归一化层和采用2×2的卷积层，步长为2的池化层，每个卷积层后都带有PRelu激活函数；up_conv是对已经经过下采样的图像上采样回上一步大小来恢复分辨率，它包括了一个三维转置矩阵(ConvTranspose3d)和PRelu激活函数；
2.3其中SE_Block模块是用于通道注意力，包括卷积层、全局平均池化层、Relu激活函数以及Sigmoid激活函数；
SP_Block模块是用于空间注意力的，包括卷积层、归一化层、Relu激活函数以及Sigmoid激活函数；
2.4网络模型加入了深度监督，在进行了一次下采样得到的结果再上采样回原来大小计算loss，然后再把每次的loss分配相应权重加起来；
第三步：将已经预处理好的数据输入到第二步中搭建的模型中训练，此过程加入了BatchNormalization算法来增加网络的对称性同时加快网络收敛速度；在这个改进的U-Net用训练集进行训练，得到分割模型；
第四步：选择第三步中训练的最好模型用于验证集的CT图像分割进行模型验证；
第五步：利用训练好的分割模型。


2.如权利要求1所述的一种基于尺度融合的腹部CT多器官的分割方法，其...

【专利技术属性】
技术研发人员：肖志勇，刘一鸣，杜年茂，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32