【技术实现步骤摘要】
一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法
[0001]本专利技术涉及医学图像处理
，特别涉及一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法。
技术介绍
[0002]肝癌是世界范围内最常见的恶性肿瘤之一，全球一半以上肝癌新发与死亡病例都发生在我国。据国家癌症中心数据显示，我国肝癌发病率在所有恶性肿瘤中排第5，且死亡率高居第2位。随着现代肿瘤医学技术的飞速发展，放射治疗进入了以图像引导和自适应放疗为代表的精准放疗阶段。精准放疗需要准确把握放射治疗的靶区，即肿瘤区域，进而为后续治疗与放射方案提供引导。计算机断层扫描成像(computed tomography,CT)是目前针对肝脏病变普遍采用的诊断方式，通过反映肝脏部位肿瘤的位置、形态、数量等信息为后续治疗提供指导。鉴于肝脏肿瘤在CT图像上的表现具有高变异性，且与周围组织对比度低、存在个体差异等问题，目前临床上肿瘤区域的分割主要由有经验的医师手工勾画完成，不仅费时费力，其准确性严重依赖于医师的经验与技巧。因此研究高效准确的肝脏肿瘤自动分割方法对肝癌的临床诊断与治
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法，其特征在于，包括以下步骤：(1)建立包含原始CT图像和肝脏肿瘤手动分割结果的训练数据集A；(2)对数据集A进行预处理，包括图像裁剪和CT图像窗宽、窗位调整，获取数据集B，具体包括：(2
‑
a)为了降低肿瘤分割的复杂性、提高分割精度，对数据集A中的所有CT图像及其对应的手动分割结果进行裁剪，具体包括：首先采用阈值和数学形态学腐蚀与膨胀操作对原始CT图像中的肋骨和脊椎进行分割，然后对分割结果进行行和列投影，且分别取第一个以及最后一个不为零的像素所在的行和列，构建长为L
w
、宽为L
h
的矩形框，定位腹腔区域；考虑到肝脏区域通常位于CT切片腹腔左侧，将矩形框中心点O向左平移L
w
/4得到点P，并以点P为中心取大小R
×
R的方形区域作为最终的裁剪结果；(2
‑
b)对裁剪后的CT图像进行窗位与窗宽调整，根据放射医学先验知识，可显示的人体组织CT值范围一般为
‑
1000～1000Hu，而器官软组织，例如肝、脾、肾和肌肉，的CT值范围通常在40～70Hu之间，为了增强肝脏与毗邻组织的对比度，将CT图像的窗位和窗宽分别设置为60Hu和170Hu；(3)构建一种新的融合残差模块和注意力机制的U形深度卷积网络，称之为RA
‑
Unet，具体包括：(3
‑
a)采用U形网络作为主干网络，该主干网络共包含五个编码层、四个跳跃连接层、四个解码层和一个1
×
1卷积层，其中第一个编码层的输出不仅作为第二个编码层的输入，同时还通过第一个跳跃连接层与第四个解码层相连作为该解码层的输入；第二个编码层的输出不仅作为第三个编码层的输入，同时还通过第二个跳跃连接层与第三个解码层相连作为该解码层的输入；第三个编码层的输出不仅作为第四个编码层的输入，同时还通过第三个跳跃连接层与第二个解码层相连作为该解码层的输入；第四个编码层的输出不仅作为第五个编码层的输入，同时还通过第四个跳跃连接层与第一个解码层相连作为该解码层的输入；第五个编码层的输出直接作为第一个解码层的输入；此外，上一个解码层的输出均作为下一个解码层的输入；为了得到分割结果，将最后一个解码层与一个1
×
1卷积层相连，其中最后一个解码层的输出作为1
×
1卷积层的输入，1
×
1卷积层的输出为各像素属于目标的概率图，通过引入阈值T，即可得到分割结果；(3
‑
b)在步骤(3
‑
a)所述的主干网络中，每个编码层均由两个卷积模块连接组成，即双卷积模块，其中每个卷积模块包含1个大小为3
×
3的卷积层，批归一化层和Relu激活层；为了对图像进行下采样，第一至第四个编码层中，双卷积模块的末尾均增加1个大小为2
×
2的最大池化层；(3
‑
c)在步骤(3
‑
a)所述的主干网络中，首先，为了避免信息冗余传递，每一个跳跃连接层都...
【专利技术属性】
技术研发人员：廖苗，杨文瀚，邸拴虎，赵于前，杨振，曾业战，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。