一种肝脏肿瘤图像分割模型训练方法技术

本发明专利技术公开了一种肝脏肿瘤图像分割模型训练方法，首先获取肝脏CT图像，对肝脏CT图像进行预处理操作得到样本图像和肿瘤斑块图像，然后进行肿瘤图像分割模型具体训练：一阶段，将样本图像输入预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；二阶段，将肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；三阶段，将样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。该方法从整个肝脏CT图像输入和肿瘤斑块图像两方面训练网络，可以整合肿瘤的特定特征，并结合肿瘤数据的整体背景，提高肝脏肿瘤图像分割的准确率。瘤图像分割的准确率。瘤图像分割的准确率。

【技术实现步骤摘要】
一种肝脏肿瘤图像分割模型训练方法


[0001]本专利技术属于医学图像处理领域，具体涉及一种肝脏肿瘤图像分割模型训练方法。

技术介绍

[0002]肝癌是全球第二大常见的癌症死亡的主要原因，对于肝癌的筛查，计算机断层扫描(CT)是最常用的成像工具，CT中肝脏的形态和质地异常以及可见病变在原发性和继发性肝肿瘤疾病中是疾病进展的重要的标志物。在临床实践中，肿瘤的大小远小于整个CT以及肝脏区域的大小，从整个CT体积或肝脏区域中分割出肿瘤是一项困难的挑战。
[0003]现有技术中通常是采用级联模型的方法进行肝肿瘤分割：肝脏定位网络，肝脏分割网络和肿瘤分割网络。这种方法虽然能很好的分割肝脏，但是可能会遗漏肿瘤的特性特征，无法提高肝肿瘤分割的有效性，难以更好的捕捉到肝脏中的小型肿瘤。

技术实现思路

[0004]为了解决现有技术的上述问题，本专利技术提供一种肝脏肿瘤图像分割模型训练方法，能够在整个CT图像下，更好地捕捉肿瘤特定特征，为了达到该目的，本专利技术的技术方案如下：
[0005]一种肝脏肿瘤图像分割模型训练方法，所述的方法包括：
[0006]获取肝脏CT图像，对所述的肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，所述的预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成，其中肿瘤斑块图像的大小由样本图像中的最大肿瘤决定；
[0007]利用所述的样本图像和肿瘤斑块图像依次对肿瘤图像分割模型进行训练，直至确定肿瘤图像分割模型训练完成，所述的肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型；其中，执行的训练过程包括：
[0008]将所述的样本图像输入至预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；
[0009]将所述的肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；
[0010]将所述的样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。
[0011]进一步地，所述的肿瘤斑块图像中包括阳性肿瘤斑块图像和阴性肿瘤斑块图像，其中阳性肿瘤斑块图像和阴性肿瘤斑块图像大小相同。
[0012]进一步地，所述的肿瘤图像分割模型采用Unet神经网络结构，由对称的编码器和解码器组成。
[0013]进一步地，所述的肝脏CT图像的每个切片分辨率为512
×
512，样本图像大小设置为64
×
256
×
256，肿瘤斑块图像大小设置为64
×
190
×
190。
[0014]本专利技术的有益效果在于：从整个肝脏CT样本图像和肿瘤斑块两方面训练网络，能
够在CT背景下更好的捕捉肿瘤特定特征，从而得到更好的肿瘤分割效果。
附图说明
[0015]图1是本专利技术肝脏肿瘤图像分割模型训练方法流程示意图；
[0016]图2是本专利技术肝脏肿瘤分割模型结构图。
具体实施方式
[0017]下面结合附图和实施例，对本专利技术技术方案作进一步描述：
[0018]本实施例中提供了一种肝脏肿瘤图像分割模型训练方法，如图1所示，包括：
[0019]获取肝脏CT图像，肝脏CT图像包含多组样本；在本实施例中训练数据包括150个CT扫描，都具有512
×
512的像素分辨率。
[0020]对肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成。在本实施例中将样本图像共有12734个，大小设置为64
×
256
×
256，以优化可用GPU内存与输入补丁中保留的上下文信息。
[0021]肿瘤斑块图像，用以包封训练中使用的任何肿瘤图像，肿瘤斑块图像的大小为样本图像中肿瘤的最大大小，在本实施例将得到的肿瘤斑块图像大小裁剪为64
×
190
×
190，肿瘤斑块图像包括了阳性肿瘤斑块图像和阴性肿瘤斑块图像，用以训练模型在具有肿瘤斑块输入时和不具有肿瘤斑块输入的情况，其中阴性肿瘤斑块图像具有和阳性肿瘤斑块图像相同大小，但不具有任何肿瘤，具体获得43697个阳性肿瘤斑块和23448个阴性肿瘤斑块。
[0022]在预处理过程后，利用样本图像和肿瘤斑块图像对肿瘤图像分割模型进行训练，如图2，肿瘤图像分割模型是基于U
‑
net网络通过PyTorch框架实现的，肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型代表了肿瘤图像分割模型在在本方法不同训练阶段下的分割没模型，训练的过程具体包括：
[0023]一阶段，以1的批量大小将大小为64
×
256
×
256的12734个样本图像输入至预设的肿瘤图像分割模型进行训练，学习率设置为10
‑3，得到训练完成的第一肿瘤图像分割模型；
[0024]二阶段，以2的批量大小将大小为64
×
190
×
190的肿瘤斑块图像输入至第一肿瘤图像分割模型，其中具体有43697个阳性肿瘤斑块图像和23448个阴性肿瘤斑块图像，学习率设置为10
‑4，得到训练完成的第二肿瘤图像分割模型；
[0025]三阶段，再次以1的批量大小将一阶段中大小为64
×
256
×
256的样本图像输入第二肿瘤图像分割模型重新进行训练，学习率设置为10
‑5，得到训练完成的肿瘤图像分割模型，该方法可以整合肿瘤的特定特征，并结合肿瘤数据的整体背景，达到分割肿瘤的目的。
[0026]应当理解的是，本专利技术的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本专利技术所附权利要求的保护范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝脏肿瘤图像分割模型训练方法，其特征在于，所述的方法包括：获取肝脏CT图像，对所述的肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，所述的预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成，其中肿瘤斑块图像的大小由样本图像中的最大肿瘤决定；利用所述的样本图像和肿瘤斑块图像依次对肿瘤图像分割模型进行训练，直至确定肿瘤图像分割模型训练完成，所述的肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型；其中，执行的训练过程包括：将所述的样本图像输入至预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；将所述的肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；将所述...

【专利技术属性】
技术研发人员：王博，赵威，申建虎，张伟，徐正清，
申请(专利权)人：西安智诊智能科技有限公司，
类型：发明
国别省市：