残差UNet直肠癌肿瘤磁共振图像自动分割方法技术

本发明专利技术涉及一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，属于直肠癌的精确分割技术领域。本发明专利技术包括如下步骤：S1：提出直肠肿瘤MR图像的自动分割任务，包括如下小步：S11：建立AttSEResUNet网络结构；S12：引入通道注意力挤压‑激励模块；S13：引入空间注意力门控模块；S14：引入BCE_DICE损失函数；S15：预测结果的后结果处理；S2：建立直肠肿瘤数据集进行模型评估，包括如下小步：S21：归一化和自适应直方图均衡化的预处理；S22：评估指标的选用；S23：评估有效性的验证。本发明专利技术能有效分割直肠肿瘤区域，同时组合的损失函数也能在一定程度上提高分割精度，可用于直肠癌的精确分割场合。

【技术实现步骤摘要】
残差UNet直肠癌肿瘤磁共振图像自动分割方法
本专利技术涉及一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，属于直肠癌的精确分割

技术介绍
直肠癌是严重威胁我国居民健康的疾病之一。据我国国家癌症中心发表的最新报告显示，直肠癌的发病人数居我国恶性肿瘤发病人数的第三位，约占38.8％，是癌症死亡率的主要诱因之一，特别是在城市地区，其发病人数更是仅次于肺癌，成为危害人们身体健康的第二大杀手。在全球范围内，不论是发病数量还是死亡人数，结直肠癌症也一直居高不下。术前影像学检查是直肠癌治疗方法的重要步骤，它能够帮助医生确定适合患者的辅助放化疗技术和手术方式，从而提高生存率。其中，磁共振图像(MR)因其具有良好的软组织对比度，一直在直肠癌的诊断、术前预测和疗效评估中承担不可忽视的作用。因此，准确的分割直肠肿瘤对于后续的治疗规划及预后分析具有十分重要的意义。目前，直肠癌肿瘤图像的分割主要依靠经验丰富的医生进行手动勾画，这种方法不仅耗时耗力，并且容易受到医生之间内部水平差异的影响.近年来，随着深度学习在各个领域的广泛应用，其在医学图像分析任务中也收获了很大成功，其中，对于医学图像的分割，主要是在肝脏、多器官、前列腺、胰腺、颈部和大脑等方面，针对直肠癌肿瘤MR图像的自动分割研究相对较少。StefanoTrebeschi等利用卷积神经网络(CNNS)对直肠肿瘤核磁共振(MRI)图像进行完全的自动定位和分割，验证了深度学习的技术潜力。得益于全卷积神经网络(FCN)结构的提出，JunmingJian等人将其引入结直肠肿瘤分割，使用VGG-16为基础模型从归一化图像中提取特征，VGG-16每个块的最后一个卷积层构建五个边输出块来捕获多尺度信息并产生预测结果，最后融合所有结果以获得精确的分割结果，但是这种分割方法仍然存在一些局限性，分割结果的边界也与基本事实有些不一致。UNet模型借鉴了FCN网络，它包含能够捕获上下文信息的收缩路径和确保精确定位的扩展路径，大大提高了医学图像分割任务的性能。JiazhouWang等人实现了一种类似二维UNet自动分割模型来用于直肠癌T2加权成像MRI图像，考虑到MRI图像的三维结构，其将5张MRI图像切片输入网络以形成5通道的输入张量，并采用了两阶段的训练策略提升了训练效率。HongyiWang等人通过粗提取和二次提取两步完成了CT图像中直肠肿瘤的掩膜提取，并建立了淋巴结转移模型。在二次提取中使用了简化的UNet网络结构，收缩路径的每一层包含一个卷积层和一个池化层，扩展路径有一个反卷积层将其输出与收缩路径中的特征图相匹配，对拼接的特征图进行两次卷积，最终将64通道特征图转化为分割图像。注意力机制得益于其利用特征图的长期依赖性和促进神经网络探索全局上下文信息的强大能力，处于计算机视觉和自然语言处理的研究前沿，也有人尝试将注意力机制嵌入到深度神经网络体系结构中，完成医学图像分析领域的医学图像分类和医学图像分割等任务。受注意力机制的启发，本文提出了一种新的用于直肠癌肿瘤磁共振图像自动分割的方法。本文的主要内容可以总结为：1)提出了一个融合了空间和通道注意力机制的残差UNet网络模型AttSEResUNet用于直肠肿瘤MR图像的自动分割任务；2)构建了一个小型的直肠肿瘤MR图像分割数据集，并在这个数据集上验证了本文所提方法的有效性；3)模型训练过程中使用了组合的损失函数，并通过实验对比了不同损失函数的分割效果。
技术实现思路
针对现有技术存在的上述缺陷，本专利技术提出了一种残差UNet直肠癌肿瘤磁共振图像自动分割方法。本专利技术所述的残差UNet直肠癌肿瘤磁共振图像自动分割方法，包括如下步骤：S1：提出直肠肿瘤MR图像的自动分割任务，包括如下小步：S11：建立AttSEResUNet网络结构：以UNet网络作为基本框架，通过残差卷积进行特征提取，并引入通道注意力挤压-激励模块和空间注意力门控模块将在不同级别提取的特征与和任务相关的特征进行选择合并，同时加深网络层数进行5次下采样：S12：引入通道注意力挤压-激励模块：通过全局平均池化来生成各通道的统计量，将全局空间信息压缩到一个通道描述符中；通过两个全连接层建模通道间的相关性，并输出和输入特征同样数目的权重；S13：引入空间注意力门控模块：抑制与分割任务不相关的信息以及噪声的激活响应，同时增强与分割任务相关的目标区域的学习；S14：引入BCE_DICE损失函数：将二分类交叉熵损失函数、DICE损失函数两者结合作为模型最终的损失函数，其中：二分类交叉熵损失函数的定义为：DICE损失函数的定义为：则，组合的BCE_DICE损失函数为：LBCE_DICE＝LBCE+LDICE(3)式中：yi为标注的真实掩膜图中像素点i的值，取值为0或1；为算法得到的分割图中像素点i的值，取值范围为0～1；N是分割图和标注掩模图中的像素点总个数；ε是平滑因子，用于避免损失函数中分母为0，值取1；S15：预测结果的后结果处理：将模型的预测结果进行二值化得到最终的肿瘤分割图，但是会有边缘噪声点或病灶区域不连续的情况产生，而根据直肠肿瘤的病灶特点，其在MR图像中的位置通常较为固定且连续，为此通过8连通域来找出分割图中的所有连通域，然后计算各连通域的面积大小，最后只保留面积最大的连通域，删除其他连通域；S2：建立直肠肿瘤数据集进行模型评估，包括如下小步：S21：归一化和对比度受限的自适应直方图均衡化的预处理：归一化是在保留图像中具有诊断价值的图像信息，减小或者消除图像中其他信息不一致而进行的图像转换方法，其公式为：式中：I为原始图像，Inorm为归一化后的图像，Imin为I的最小强度值，Imax为I的最大强度值；对比度受限的自适应直方图均衡化是自适应直方图均衡化和直方图均衡化方法的改进，通过该方法显著降低图像噪声，并防止执行传统直方图均衡化时发生的亮度饱和；S22：评估指标的选用：评估指标包括准确率和DICE相似系数，其中：准确率的定义为：DICE相似系数的DSC定义为：式中：TP表示被正确分割成直肠肿瘤区域的像素数量；TN表示被正确分割成背景区域的像素数量；FP表示将背景区域预测成肿瘤区域的像素数量；FN表示将肿瘤区域预测成背景区域的像素数量；DSC表征算法的分割结果与肿瘤掩膜的重叠程度，取值为[0,1]，取值越大表示两者的重叠程度越大，分割效果越好；S23：评估有效性的验证：将AttSEResUNet网络结构与UNet、UNet*和AttUNet在数据集进行对比验证，AttSEResUNet网络结构均取得最优的分割性能，预测准确率和DSC指标方面明显高于其他模型；其中：UNet*是UNet的优化模型，是在原始UNet的卷积层之后加入BN层处理，同时在池化操作之后增加Dropout层，以防止过拟合现象。优选本文档来自技高网...

【技术保护点】
1.一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，其特征在于，包括如下步骤：/nS1：提出直肠肿瘤MR图像的自动分割任务，包括如下小步：/nS11：建立AttSEResUNet网络结构：以UNet网络作为基本框架，通过残差卷积进行特征提取，并引入通道注意力挤压-激励模块和空间注意力门控模块将在不同级别提取的特征与和任务相关的特征进行选择合并，同时加深网络层数进行5次下采样：/nS12：引入通道注意力挤压-激励模块：通过全局平均池化来生成各通道的统计量，将全局空间信息压缩到一个通道描述符中；通过两个全连接层建模通道间的相关性，并输出和输入特征同样数目的权重；/nS13：引入空间注意力门控模块：抑制与分割任务不相关的信息以及噪声的激活响应，同时增强与分割任务相关的目标区域的学习；/nS14：引入BCE_DICE损失函数：将二分类交叉熵损失函数、DICE损失函数两者结合作为模型最终的损失函数，其中：/n二分类交叉熵损失函数的定义为：/n

【技术特征摘要】
1.一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，其特征在于，包括如下步骤：
S1：提出直肠肿瘤MR图像的自动分割任务，包括如下小步：
S11：建立AttSEResUNet网络结构：以UNet网络作为基本框架，通过残差卷积进行特征提取，并引入通道注意力挤压-激励模块和空间注意力门控模块将在不同级别提取的特征与和任务相关的特征进行选择合并，同时加深网络层数进行5次下采样：
S12：引入通道注意力挤压-激励模块：通过全局平均池化来生成各通道的统计量，将全局空间信息压缩到一个通道描述符中；通过两个全连接层建模通道间的相关性，并输出和输入特征同样数目的权重；
S13：引入空间注意力门控模块：抑制与分割任务不相关的信息以及噪声的激活响应，同时增强与分割任务相关的目标区域的学习；
S14：引入BCE_DICE损失函数：将二分类交叉熵损失函数、DICE损失函数两者结合作为模型最终的损失函数，其中：
二分类交叉熵损失函数的定义为：



DICE损失函数的定义为：



则，组合的BCE_DICE损失函数为：
LBCE_DICE＝LBCE+LDICE(3)
式中：yi为标注的真实掩膜图中像素点i的值，取值为0或1；

为算法得到的分割图中像素点i的值，取值范围为0～1；
N是分割图和标注掩模图中的像素点总个数；
ε是平滑因子，用于避免损失函数中分母为0，值取1；
S15：预测结果的后结果处理：将模型的预测结果进行二值化得到最终的肿瘤分割图，但是会有边缘噪声点或病灶区域不连续的情况产生，而根据直肠肿瘤的病灶特点，其在MR图像中的位置通常较为固定且连续，为此通过8连通域来找出分割图中的所有连通域，然后计算各连通域的面积大小，最后只保留面积最大的连通域，删除其他连通域；
S2：建立直肠肿瘤数据集进行模型评估，包括如下小步：
S21：归一化和对比度受限的自适应直方图均衡化的预处理：
归一化是在保留图像中具有诊断价值的图像信息，减小或者消除图像中其他信息不一致而进行的图像转换方法，其公式为：



式中：I为原始图像，Inorm为归一化后的图像，Imin为I的最小强度值，Imax为I的最大强度值；
对比度受限的自适应直方图均衡化是自适应直方图均衡化和直方图均衡化方法的改进，通过该方法显著降低图像噪声，并防止执行传统直方图均衡化时发生的亮度饱和；
S22：评估指标的选用：评估指标包括准确率和DICE相似系数，其中：
准确率的定义为：



DICE相似系数DSC的定义为：



式中：TP表示被正确分割成直肠肿瘤区域的像素数量；
TN表示被正确分割成背景区域的像素数量；
FP表示将背景区域预测成肿瘤区域的像素数量；
FN表示将肿瘤区域预测成背景区域的...

【专利技术属性】
技术研发人员：王明甲，陈玉翠，张在先，刘顺利，齐宝柱，曹荣生，陈爽，赵波，秦浩华，冯宇平，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37