一种注意力机制引导的肾CT图像分割方法技术

本发明专利技术公开了一种注意力机制引导的肾CT图像分割方法，涉及深度学习领域；本发明专利技术首先对CT图像进行数据预处理和数据增广的操作，经过这些操作后，被处理过的图像会进入它们的编码器，编码器其中会包括多层下采样层以提取图像不同尺度的特征，然后从编码器输出的特征图谱会进入注意力机制模块，融合全局和局部的信息，最后，进入解码器，输出图像的分割结果；本专利能够有效解决手动分割肾肿瘤会耗费大量人力资源、已有方法未充分利用图像的局部和全局信息等问题，提高了分割精度，因此具有较高的应用价值和临床治疗的应用前景。

【技术实现步骤摘要】
一种注意力机制引导的肾CT图像分割方法
本专利技术涉及深度学习领域，尤其涉及一种注意力机制引导的肾CT图像分割方法。
技术介绍
肾肿瘤是泌尿系统较常见的肿瘤之一，多为恶性。临床中常见的肾肿瘤包括源自肾实质的肾细胞癌、肾母细胞瘤以及发生于肾盂肾盏的移行细胞乳头状肿瘤。成人恶性肿瘤中肾肿瘤占2％～3％，而肾母细胞瘤是婴幼儿中最常见的实体恶性肿瘤，发病率占婴幼儿恶性肿瘤的20％左右。除此之外，肾癌是男性中第9位最常发生的癌症，也是女性中第14位最常见的癌症。2018年新发病例超过40万。在现代医学影像分析领域中，对整个肾脏中肿瘤及其子结构进行准确建模、定位和分割是肾癌检测的重要环节，在临床上有着广阔的应用前景。然而，整个肾脏CT图像的分割和配准是具有挑战性的，且现今仍然完全依赖于手动分割，不仅会耗费大量人力资源，还容易出现不可避免的错误，无法保证精度的稳定性。自动全肾脏肿瘤分割的挑战在于，每一个患者的肿瘤大小不尽相同，其子结构占整个图像的比重又相对而言比较少。影像基因组学能够通过AI提取大量肿瘤影像特征，同时将影像特征与肿瘤的潜在基因本文档来自技高网...

【技术保护点】
1.一种注意力机制引导的肾CT图像分割方法，其特征在于，包含以下步骤：/n步骤1、输入CT图像；/n步骤2、数据预处理和数据增广；/n步骤3、经过处理的图像输入编码器；/n步骤4、经过编码的图像进入注意力机制模块进行处理；/n步骤5、经过处理的图像进入解码器；/n步骤6、输出经过解码的图像。/n

【技术特征摘要】
1.一种注意力机制引导的肾CT图像分割方法，其特征在于，包含以下步骤：
步骤1、输入CT图像；
步骤2、数据预处理和数据增广；
步骤3、经过处理的图像输入编码器；
步骤4、经过编码的图像进入注意力机制模块进行处理；
步骤5、经过处理的图像进入解码器；
步骤6、输出经过解码的图像。


2.根据权利要求1所述的一种注意力机制引导的肾CT图像分割方法，其特征在于：所述步骤2数据预处理和数据增广，具体包含以下步骤：
步骤2.1：数据预处理：肾肿瘤数据中的类别信息有三种：0为背景，1为肾区域，2为肾肿瘤区域；图像的形状为num_slices，num_slices对应轴向视图，切片厚度范围为1mm至5mm；首先，为了消除可能来自某些金属物的异常强度值，按照min＝-79和max＝304为阈值对图像强度值进行剪切，即小于-79的强度值都修正为-79，大于304的强度值都修正为304；然后，通过数据归一化的方式将预处理的图像强度值限定在一定的范围内，从而消除某些异常样本数据对训练造成的不良影响；采用的方法为z-score归一化，μ和σ分别为全局样本均值和全局标准差，N为所有样本中体素的总数，xi为每个样本中的每个体素值，x为原始体素值，z为归一化后的体素值；μ＝101，σ＝76.9；









对数据进行重采样，将数据集中图像的spacing调整一致，调用的方法为scipy.ndimage中的affine_transform函数，目标体素空间为(3.22，1.62，1.62)；
步骤2.2：数据增广，数据增强包括随机旋转、随机缩放、随机伽马校正增强和随机镜像翻转；缩放系数的范围为[0，85，1.25]，伽马校正的γ范围为[0.7，1，5]；将实验的参数设置为...

【专利技术属性】
技术研发人员：胡与诚，邓涵，陈义旻，周杨，周昊，杨琬琪，杨明，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏;32