一种基于深度卷积神经网络的CT图像肝脏自动分割方法技术

本发明专利技术是一种基于深度卷积神经网络的CT图像肝脏自动分割方法，包括以下步骤，步骤1：建立训练样本集，包括读取肝脏CT数据集原始文件，制作肝脏分割数据集，将数据集尺寸统一为固定尺寸并按比例分为测试集和训练集；步骤2：构建深度注意力反残差模块，并使用无参下采样方式进行下采样，进一步降低网络参数量；步骤3：建立深度注意力反残差网络；步骤4：使用训练集训练网络，对效果表现良好的训练模型进行筛选保存；步骤5：在测试集中验证模型可用性。本发明专利技术对肝脏CT影像进行处理，精确快速分割出肝脏区域，用于任意肝脏病变检测系统中，网络参数规模较小，具有实用性。具有实用性。具有实用性。

【技术实现步骤摘要】
一种基于深度卷积神经网络的CT图像肝脏自动分割方法


[0001]本专利技术是一种基于深度卷积神经网络的CT图像肝脏自动分割方法，涉及医学影像计算机辅助诊断领域。
技术背景
[0002]肝脏是人体以代谢功能为主的器官，但同时肝脏也是继肺部之后第二大肿瘤病变器官，据世界卫生组织国际癌症研究机构(WHO IARC)发布的2020年最新全球癌症数据，在2020年，中国肝癌发病病例高达41.13万人，占全球肝癌发病病例的45.3％，位居世界榜首。在全球肝癌死亡病例中，中国死亡病例更是高达39万例，仅次于肺癌的死亡病例数。由于肝脏代偿功能强大(只要30％～50％肝脏未受到损伤，肝功能便不会受到影响)，肝脏周围缺少痛觉神经，且其病症容易被其他背景疾病所掩盖，所以肝癌很难在早期临床诊断时被发现，即使是在发达国家目前也只有不到30％的肝癌患者可以在早期发现并进行手术治疗。因此，对于具有高风险患病的人群，定期对其肝脏部位进行针对性检查，在肝脏出现病变时及早发现并治疗，可以有效降低肝癌等肝脏疾病的死亡率，提高患病人群的生存几率和生活品质。
[0003]随着计算机视觉技术的发展和应用，利用计算机辅助医生进行影像学的分析已经成为一支主流的研究方向。辅助医生诊断肝脏CT的核心是帮助医生对肝脏区域有明确的划分和识别效果，而利用计算机技术辅助医生进行肝脏类的疾病(如肝癌)首先也是最重要的一步就是将肝脏区域从整个腹腔CT中识别并分割出来，而后在进行针对性的分析、诊断。传统的分割算法已经大规模应用于计算机辅助诊断系统中，然而其无论是在流程上还是技术上都存在一些难以解决的问题，因为传统分割算法一般都是基于低层次信息设计的，比如区域生长、水平集法、超像素法以及SVM等机器学习方法，没有充分利用到高层次的语义信息，对于边界模糊和器官粘连部分分割效果较差，且肝脏CT图像包含大量人体器官以及骨骼等其他干扰检测的因素，基于传统方法和机器学习方法的医学影像分割依赖于手工提取、设计特征的方式，对于肝脏的分割精度较低且设计过程较为复杂。
[0004]近些年随着深度学习技术的快速发展，其相关技术也逐渐被应用到医学领域中来，相对于传统方法，基于深度学习的分割方法更加关注高层次语义信息，对图像的语义表征表达得更精确，而且其省去了人工设计特征的繁琐步骤，网络搭建过程相对传统方法简洁明了，为设计全自动地腹部CT图像的检测分割算法提供了技术可能。虽然现有的基于卷积神经网络的肝脏分割算法在精确度上已经取得较大进展，但仍旧存在以下不足：
[0005](1)基于深度卷积神经网络的分割算法框架来源于自然图像任务，现有肝脏分割算法多移植于自然图像分割算法，结果导致移植过来的分割网络框架结构过于冗余，参数量庞大且实用性不佳。
[0006](2)现有医学分割网络都是泛用型网络，着重强调其网络针对各种医学影像的泛化性，而并未针对肝脏实际的影像特点对分割框架进行调整与优化，因此专用性较差。
[0007](3)现有的轻量化模块在设计上没有针对医学影像特点进行优化，导致其分割识
别精度低下，难以用于临床应用。

技术实现思路

[0008]本专利技术的目的是提供一种基于深度卷积神经网络的CT图像肝脏自动分割方法，利用训练模型对肝脏区域实施快速分割，为进一步诊断肝脏类疾病提供精确的肝脏区域信息。本专利技术在大大减少了网络所需的参数量情况下也保证了较高的肝脏分割精度，为后续肝脏疾病的辅助诊断提供实用参考信息，具有相当的实用价值。
[0009]为实现本专利技术的目的所采用的技术方案是：
[0010]步骤1：建立训练样本集，包括读取肝脏CT数据集原始文件，制作肝脏分割数据集，将数据集尺寸统一为固定尺寸并划分为测试集和训练集；
[0011]步骤2：构建深度注意力反残差模块，包括设计特征层注意力机制和构建可选扩展率深度反残差模块；
[0012]步骤3：建立深度注意力反残差网络，包括整合深度注意力反残差模块，构建下采样网络层和上采样网络层，设计横连接融合上下采样层信息；
[0013]步骤4：使用训练集训练网络，得到效果良好的训练模型；
[0014]步骤5：在测试集中验证模型可用性。
[0015]本专利技术的有益效果是：针对技术背景中阐述的现有基于卷积神经网络的肝脏算法研究中的三点不足，本专利技术的创新点为：
[0016]1、采用轻量级模块来简化肝脏的分割网络，并借鉴高维特征映射思想，构建了可选扩展率反残差模块，保证了轻量化后网络模块依然保持较好的特征提取能力，并且其可以针对网络深度调节扩展率，控制网络整体参数规模不至过大，以此解决了现有分割网络无法兼顾性能和参数规模的弊端，提高了模型的实用性。
[0017]2、基于伪彩色化原理设计了特征层注意力机制，对只具有灰度特征的肝脏特征图进行线性增强，使各级网络层更加关注特征图层级之间的信息关联，补充了网络层之间的特征信息流，解决了现有肝脏分割网络参数利用率低、欠拟合等的缺点。
[0018]3、摒弃现阶段轻量化网络普遍采用的卷积下采样方式，在下采样过程中采用无参的最大池化方法，进一步减少网络参数量，使网络具有高实用性。
附图说明
[0019]为了使本专利技术的技术方案更加清晰，下面结合附图对本专利技术进行详细阐述，其中：
[0020]图1为肝脏分割模型设计整体流程图。
[0021]图2为肝脏训练测试集制作样张示意图。
[0022]图3为特征层注意力机制示意图。
[0023]图4为可选扩展率反残差结构示意图。
[0024]图5为深度注意力反残差模块示意图。
[0025]图6a为深度注意力反残差网络整体结构示意图一。
[0026]图6b为深度注意力反残差模块整体结构示意图二。
[0027]图7为深度注意力反残差网络结构细节参数表。
[0028]图8为不同扩展率对网络性能影响示意图。
[0029]图9为不同扩展率对网络参数量的影响示意图。
[0030]图10a为不同分割模型平均交并比指数与网络参数量对比示意图。
[0031]图10b为不同分割模型戴斯指数与网络参数量对比示意图。
[0032]图10c为不同分割模型杰卡德指数与网络参数量对比示意图。
[0033]图11为测试集分割样张对比图。
具体实施方式
[0034]为了更加明确的阐述本专利技术的目的、技术方法及优点，下面结合及具体实施方式对本专利技术做进一步的详细说明。此处描述的具体实施方式仅用来解释本专利技术，并限定于本专利技术。本专利技术亦可通过其他具体实施方法进行应用。可根据相似需求背景，在不背离本专利技术思路下进行修饰或修改。
[0035]本专利技术提出一种基于深度卷积神经网络的CT图像肝脏自动分割方法，其整体流程图如附图1所示，具体包括以下步骤：
[0036]步骤1：建立训练样本集。具体包括以下步骤：
[0037]步骤1.1：由于肝脏数据集来自LiST(ISBI 2017肝脏肿瘤分割挑战)挑战赛的子集，包含13本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的CT图像肝脏自动分割方法，其特征在于，包括以下步骤：步骤1：建立训练样本集，包括读取肝脏CT数据集原始文件，制作肝脏分割数据集，将肝脏分割数据集尺寸统一为固定尺寸并按比例分为测试集和训练集；步骤2：构建深度注意力反残差模块，包括设计关注特征图层级关系的特征层注意力机制以及控制网络参数规模的可选扩展率反残差模块，并使用无参下采样方式进行下采样，进一步降低网络参数量；步骤3：建立深度注意力反残差网络，包括构建下采样网络层结构和上采样网络层结构，设计横连接融合上下采样层信息；步骤4：使用训练集训练深度注意力反残差网络，对效果表现良好的训练模型进行筛选保存；步骤5：在测试集中验证模型可用性。2.根据权利要求1所述的一种基于深度卷积神经网络的CT图像肝脏自动分割方法，其特征在于，步骤1：建立训练样本集；具体包括以下步骤：步骤1.1：由于肝脏数据集来自LiST挑战赛的子集，包含50
‑
200个病人CT切片；数据集的具体数据信息采用.nii格式进行存储，可用mricron软件来对.nii文件进行读取，读取过程中，肝脏原图的窗口值设置为(0,200)，肝脏和肿瘤标签窗口值设置为(0,1)和(0,2)，最后根据窗口值分别制作原始数据集；步骤1.2：制作通用图片格式(.png)数据集；对mricron软件截取后包含肝脏信息的腹腔图像进行裁剪，保证原图和标签的像素值一一对应，并且保存为通用图像格式(.png)；步骤1.3：将肝脏分割原始数据集按照约8:2比例划分为测试图片集和训练图片集，其中训练集涵盖50
‑
200名患者的CT切片，测试集则涵盖5
‑
40名患者CT切片；步骤1.4：制作肝脏分割标签，具体为通过二值化操作对原标签进行处理，制作出精确的肝脏区域分割标签；步骤1.5：制作最终数据集，具体为将上述步骤制作好的原图及标签进行统一尺寸缩放，缩放尺寸可以设为256
×
256。3.根据权利要求1所述的一种基于深度卷积神经网络的CT图像肝脏自动分割方法，其特征在于，步骤2：构建深度注意力反残差模块，包括设计特征层注意力机制和构建可选扩展率深度反残差模块，具体包括以下步骤：步骤2.1：设计特征层注意力机制，具体为，首先对来自上层卷积网络的输入特征X按通道分配常数项，并根据所需的输出通道维度数N设置N项常数项，每项常数项与X进行加权点乘并利用Concat(
·
)操作将结果进行拼接，最后加入BN层确保输出后的特征图特征分布均匀，最终输出的通道维度为N；其具体定义如式(1)：其中H
o
(
·
)代表注意力增强机制，X代表输入特征，可根据通道数C表示为X＝{x0,
x1,...,x
C
‑1}，代表线性变换，Concat(
·
)代表按通道拼接操作；步骤2.2：设计可选扩展率深度反残差结构，此处假设经过特征层注意力机制后输出的特征图通道为N＝2，具体步骤如下，首先采用1
×
1卷积对特征层注意力机制输出的特征图按照通道进行升维扩展，高维情况下可保证采用轻量化结构后也可以充分提取到肝脏区域的有用特征；而后设计可选扩展率结构，三种开关结构分别对应深浅网络层设计的三种不同扩展率，在具体设计时三种扩展率可分别设置为2、4、6，则通...

【专利技术属性】
技术研发人员：付冲，贾体慧，戴黎明，
申请(专利权)人：东北大学，
类型：发明
国别省市：