一种基于改进U-net网络的肝肿瘤分割方法技术

本发明专利技术涉及一种基于改进U‑net网络的肝肿瘤分割方法，包括：步骤一、获取腹部CT数据集，并进行预处理操作；步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；步骤三、对基于改进U‑net的肝脏分割网络进行训练；步骤四、基于Keras深度学习框架搭建基于改进U‑net的肝肿瘤分割网络，并且对网络进行训练；步骤五、采用基于改进U‑net的肝脏分割网络从腹部肝脏CT图像中分割出肝脏区域，并从肝脏区域分割出肿瘤和正常肝脏组织。本发明专利技术除了可以消除大量的误分割之外，还可以降低网络模型的复杂度。

【技术实现步骤摘要】
一种基于改进U-net网络的肝肿瘤分割方法
本专利技术涉及一种基于改进U-net网络的肝肿瘤分割方法，属于一种肝肿瘤的分割方法领域。
技术介绍
近年发展起来的经皮射频消融(RadioFrequencyAblation，RFA)技术是目前应用最广泛的局部微创治疗肝肿瘤的方法。经皮射频消融技术要求精准的切除肝脏肿瘤病变区域，保证好的肝脏非病变区域的完整性，减少手术过程中的病人的出血量和因为手术受到的创伤，给予患者最好的手术治疗效果和术后的恢复效果。随着现代医学成像技术的发展，先后出现了计算机断层扫描(CT)，核磁共振成像(MRI)，超声(US)等医学成像技术。医学图像分割技术起到了巨大的作用。在目前的医疗诊断中，人工对一些医学图像进行分割所达到的效果是最佳的。这种手动分割方法有一个比较明显的劣势，就是很耗费时间和精力。而且手动分割不具有可重复性，医生的经验和医学水平都会导致分割效果产生差异。对同一个医生而言，两次的分割结果也很有可能不一致。这些对后续的医学图像处理产生一定不好的影响。考虑到手动分割的种种不足，人们一直在渴望有一种高效本文档来自技高网...

【技术保护点】
1.一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，包括以下步骤：/n步骤一、获取腹部CT数据集，并进行预处理操作；/n步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；/n步骤三、对基于改进U-net的肝脏分割网络进行训练，所述基于改进U-net的肝脏分割网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；/n步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对所述网络进行训练；/n步骤五、根据步骤三和步骤四训练好的两...

【技术特征摘要】
1.一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，包括以下步骤：
步骤一、获取腹部CT数据集，并进行预处理操作；
步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；
步骤三、对基于改进U-net的肝脏分割网络进行训练，所述基于改进U-net的肝脏分割网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；
步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对所述网络进行训练；
步骤五、根据步骤三和步骤四训练好的两个分割网络，采用所述基于改进U-net的肝脏分割网络从腹部肝脏CT图像中分割出肝脏区域，尽可能地将完整的肝脏分割出来，并将肝脏区域作为所述基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织。


2.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤一中，具体包括以下步骤：
步骤一一、将原数据集中的图片格式转换为.png，转换后的每张CT图片像素大小为512×512，灰度值范围为0到255之间；
步骤一二、将数据集中的CT图像和对应的mask图像分为训练集、测试集和验证集；
步骤一三、对数据集图像数据做标准化处理，对mask图像做二值化操作，先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理。


3.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤二中，具体包括以下步骤：
步骤二一、在U-net网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型；

【专利技术属性】
技术研发人员：马琳，苏冬雪，谭学治，王孝，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23