一种改进U-net的肾脏肿瘤分割方法技术

本发明专利技术公开了一种改进U‑net的肾脏肿瘤分割方法，步骤为：通过像素叠加的方法将肾脏和肾脏肿瘤合并在一起；在编码器部分使用卷积对图像进行若干次提取，在解码器部分使用转置卷积生成对应的分割好的肾脏和肾脏肿瘤图像；在编码器中引入残差学习单元；在网络训练中使用洛瓦斯损失函数进行优化训练。本发明专利技术结合深度残差网络和The Lovasz‑Softmax loss损失函数，实现基于残差全卷积网络(ResUnet)的语义分割方法，该方法通过利用Lovasz hinge残差网络，来更好的提取图像的特征，本发明专利技术改进的方法比原始的方法更加优秀，有效的提高了肾脏肿瘤的分割精度。

【技术实现步骤摘要】
一种改进U-net的肾脏肿瘤分割方法
本专利技术属于肿瘤分割的
，尤其涉及一种改进U-net的肾脏肿瘤分割方法。
技术介绍
通过影像学检查来诊断肾脏肿瘤是医生确诊肾癌的重要手段，但是由于不同医生的主观思想不同，对病变分割的结果存在差异性，会导致分割结果不理想，进而影响对病症的判断。所以，肾脏图像的语义分割结果对肾癌的确诊具有很大的帮助。目前国内外针对上述问题的解决方法有两方面：一方面使用基于深度学习的方法；另一方面是使用传统算法。任璐等人(任璐，李锵，关欣，等.改进的连续型最大流算法脑肿瘤磁核共振成像三维分割[J].激光与光电子学进展，2018，55(11):111011)采用改进的连续型最大流算法，使用中值滤波和快速模糊C均值聚类进行预处理得到预处理图像，对各预处理图像进行线性融合得到三维融合图像，采用快速模糊C均值算法对三维融合图像进行聚类得到三维欠分割图像。时永刚等人(时永刚，钱梦瑶，刘志文.结合全卷积网络和GrowCut的肾皮质分割算法[J].中国图象图形学报，2017，22(10):1418-1427.)采用全卷积网络和图分割相结合的方法进行肾皮质分割。Cuinget等人(RémiCuingnet，Prevost，LesageD，etal.AutomaticDetectionandSegmentationofKidneysin3DCTImagesUsingRandomForests[C]//MedicalImageComputingandComputer-AssistedIntervention–MICCAI2012.BerlinHeidelberg:Springer，2012:66-74.)采用随机森林算法初步定位数据中的肾脏组织，然后使用形变模型将定位到的肾脏区域概率图进行形变，分割肾脏图像。Freimen等人(FreimanM，KronmanA，EssesSJ，etal.Non-parametricIterativeModelConstraintGraphmin-cutforAutomaticKidneySegmentation[C]//MedicalImageComputingandComputer-AssistedIntervention–MICCAI2010.BerlinHeidelberg:Springer，2010:73-80.)采用马尔科夫随机条件场求解问题的方法得到图像的分割结果。深度学习是通过学习样本数据的信息达到对数据样本的理解，这些学习过程中获得的信息在研究图像数据的时候能够提供很大的帮助。一直到2006年，GeoffreyHinton在对深度学习这一概念的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。卷积神经网络(CNN)由纽约大学的YannLecun提出的，经过一段时间的发展，2015年Long等人根据CNN提出了新的全卷积神经网络(FCN)用于语义分割，随后语义分割开始了蓬勃发展，2016年Zhao等人提出PSPNet聚合不同区域的上下文信息，从而提高获取全局信息的能力，2017年BadrinarayananV等人提出了Segnet用于自动驾驶图像语义分割，2019年Wu等人提出FastFCN更进一步的带动了语义分割的发展。与传统的方法相比，现有的深度学习方法在肿瘤图像分割上有更好的表现，能够更全面的提取出肾脏肿瘤的特征区域。在深度学习模型训练中，成功训练一个深度网络需要大量已标注的训练样本，但是在医学领域中，由于患者的隐私性，很少有大量的数据集以供训练。U-net最早发表在2015年的MICCAI上，而后成为大多做医疗影像语义分割任务的基础网络，也启发了大量研究者去思考U型语义分割网络。而今在自然影像理解方面，也有越来越多的语义分割和目标检测模型开始关注和使用U型网络，比如语义分割的DFN和Unet++，目标检测的FPN等。虽然U-net模型解决了小数据训练的问题，但它仍然存在许多未解决的问题，例如分割图像不全、边界不清晰等。
技术实现思路
基于以上现有技术的不足，本专利技术所解决的技术问题在于提供一种改进U-net的肾脏肿瘤分割方法，结合深度残差网络和TheLovasz-Softmaxloss损失函数，实现基于残差全卷积网络(ResUnet)的语义分割方法，该方法通过利用Lovaszhinge残差网络，来更好的提取图像的特征。为了解决上述技术问题，本专利技术通过以下技术方案来实现：本专利技术提供一种改进U-net的肾脏肿瘤分割方法，包括以下步骤：步骤1：通过像素叠加的方法将肾脏和肾脏肿瘤合并在一起；步骤2：在编码器部分使用卷积对图像进行若干次提取，在解码器部分使用转置卷积生成对应的分割好的肾脏和肾脏肿瘤图像；步骤3：在编码器中引入残差学习单元；步骤4：在网络训练中使用洛瓦斯损失函数进行优化训练。优选的，步骤1之前还包括对数据进行预处理，将肾脏和肾脏肿瘤分隔开，分割好的标签图像一共有三个类别值：0是背景，1是肾区域，2是肾肿瘤区域。进一步的，步骤3中的残差学习单元表示为：Yl＝h(xl)+F(xl,Wl)xl+1＝f(Y1)式中，xl是第l个残差单元的输入，xl+1是第l个残差单元的输出，F是残差函数，是网络在训练中不断学习到的残差，h(xl)＝xl表示恒等映射，f是修正线形单元激活函数。可选的，步骤4中的洛瓦斯损失函数表示为：式中，y*为样本标签，为预测结果，c为类别。由上，本专利技术的改进U-net的肾脏肿瘤分割方法在U型神经网络(U-net)的基础上结合残差网络采用基于深度残差卷积网络(ResUnet)的分割方法。该方法选取ResNet34残差网络作为编码器，上采样作为解码器，利用特征融合技术将一个全局特征与一个相对局部特征映射相结合，并利用Lovaszsoftmax作为损失函数进行优化训练。深度残差卷积网络(ResUnet)相比U型神经网络(U-net)能够更好的提取特征，有效地解决了在下采样过程中特征提取不完全的问题。实验通过对KiTS19ChallengeData数据集进行训练和测试，并且以Dice系数、平均交并比(MIoU)、灵敏度(Sens)、正确率(Prec)作为评判标准。实验结果表明，本专利技术改进的方法比原始的方法更加优秀，有效的提高了肾脏肿瘤的分割精度。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。图1为本专利技术的改进U-net的肾脏肿瘤分割方法的流程图；图2为U型神经网络模型分割结果图，其中(a)为原始图像，(b)为标签，(c)为肾脏分割结果；图3为残差学习单元的结构图；图4为ResUnet神经网络模型图；图5为部分测试数据集原本文档来自技高网...

【技术保护点】
1.一种改进U-net的肾脏肿瘤分割方法，其特征在于，包括以下步骤：/n步骤1：通过像素叠加的方法将肾脏和肾脏肿瘤合并在一起；/n步骤2：在编码器部分使用卷积对图像进行若干次提取，在解码器部分使用转置卷积生成对应的分割好的肾脏和肾脏肿瘤图像；/n步骤3：在编码器中引入残差学习单元；/n步骤4：在网络训练中使用洛瓦斯损失函数进行优化训练。/n

【技术特征摘要】
1.一种改进U-net的肾脏肿瘤分割方法，其特征在于，包括以下步骤：
步骤1：通过像素叠加的方法将肾脏和肾脏肿瘤合并在一起；
步骤2：在编码器部分使用卷积对图像进行若干次提取，在解码器部分使用转置卷积生成对应的分割好的肾脏和肾脏肿瘤图像；
步骤3：在编码器中引入残差学习单元；
步骤4：在网络训练中使用洛瓦斯损失函数进行优化训练。


2.如权利要求1所述的改进U-net的肾脏肿瘤分割方法，其特征在于，步骤1之前还包括对数据进行预处理，将肾脏和肾脏肿瘤分隔开，分割好的标签图像一共有三个类别值：0是背景，1是肾区域，2是肾肿瘤区...

【专利技术属性】
技术研发人员：孙劲光，宋晟民，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21