一种基于深度学习的肿瘤病灶区域语义分割方法及系统技术方案

本发明专利技术提出一种基于深度学习的肿瘤病灶区域语义分割方法和系统，本发明专利技术提出端到端的网络结构模型，整体结构分为编码层和解码层两部分，在编码层中引入密集连接网络结构块解决网络过深造成梯度弥散问题，在解码层引入特征注意力机制和通道注意力机制精确获取分割目标信息，在跳跃连接处增加多尺度感受野网络结构获取不同尺度语义信息，提升分割精度。该模型在兼顾速度和精度的前提下可以精确地分割出肿瘤病灶区的准确位置，在医学图像处理领域中具有广泛的应用前景。中具有广泛的应用前景。中具有广泛的应用前景。

【技术实现步骤摘要】
一种基于深度学习的肿瘤病灶区域语义分割方法及系统


[0001]本专利技术涉及图像分类
，并特别涉及一种基于深度学习的肿瘤病灶区域语义分割方法和系统。

技术介绍

[0002]近年来随着深度学习的迅猛发展，卷积神经网络(CNN)在图像处理领域已成为一种先进的机器学习算法，并被应用到医学图像处理领域。基于卷积神经网络的语义分割算法成为医学图像处理的一个重要分支。通过语义分割算法对医学图像进行精确分割得到器官或者病灶区域的轮廓和面积信息，从而辅助医生进行分析。
[0003]当前语义分割算法主要分为两类。一种是基于传统机器学习的语义分割算法，一种是基于深度学习的语义分割算法。基于传统机器学习的语义分割算法主要包括：基于阈值的分割算法，这类算法简单，分割速度快，但是对于复杂场景该算法效果欠佳。基于边缘的分割算法有Sobel、Laplace和Canny等，该类算法由于背景和目标像素点差距较小，极易被误判为边缘。基于区域的分割算法主要有区域生长法以及分裂合并法。基于能量的图像分割方法包括基于图论的方法、基于ICM的方法等等。基于深度学习的语义分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的肿瘤病灶区域语义分割方法，其特征在于，包括：步骤1、构建包括编码层网络、解码层网络、多尺度感受野网络和注意力层的语义分割模型，获取相机拍摄的多张包含肿瘤的器官解剖图像，作为训练图像，且训练图像中每个像素点均标注有对应肿瘤病灶类别；步骤2、通过该编码层网络提取该训练图像的语义和外观特征，构成编码层特征图，将该编码层特征图输入至该多尺度感受野网络，得到多尺度特征图，并通过该解码层网络将该编码层特征图和该多尺度特征图相融合，以对该编码层特征图进行上采样，得到解码层特征图；步骤3、将该解码层特征图输入由特征注意力和通道注意力结构组成的该注意力层中，得到融合特征注意力和通道注意力的语义分割特征图，该语义分割特征图和该训练图像尺寸相同，且该语义分割特征图中每个像素值对应训练图像中相同位置像素的肿瘤病灶类别；步骤4、基于该语义分割特征图以及训练图像中每个像素点标注的肿瘤类别，构建损失函数，以迭代训练该语义分割模型，直到损失函数收敛或达到预设迭代次数，保存当前语义分割模型作为最终识别模型；步骤5、通过该最终识别模型提取相机拍摄的肿瘤解剖图像的肿瘤区域及其对应肿瘤类别。2.如权利要求1所述的基于深度学习的肿瘤病灶区域语义分割方法，其特征在于，该病灶类别包括肿瘤病灶区域和健康区域，该病灶区域包括肝肿瘤、肾肿瘤和肺肿瘤。3.如权利要求1所述的基于深度学习的肿瘤病灶区域语义分割方法，其特征在于，该编码层网络结构由多个网络结构块组成，且每个网络结构块都由多个卷积层、归一化层和启动函数层组成，且网络结构块之间均为密集连接。4.如权利要求1所述的基于深度学习的肿瘤病灶区域语义分割方法，其特征在于，该步骤3包括：将该解码层特征图同时输入特征注意力和通道注意力结构中，将特征注意力和通道注意力结构各自的输出特征进行融合，得到该语义分割特征图。5.一种基于深度学习的肿瘤病灶区域语义分割系统，其特征在于，包括：模型构建模块，用于构建包括编码层网络、解码层网络、多尺度感受野网络和注意力层...

【专利技术属性】
技术研发人员：卞修武，姚小红，任菲，詹紫微，王晓雯，张华蓉，李泊睿，李娜，
申请(专利权)人：重庆知见生命科技有限公司中国人民解放军陆军军医大学第一附属医院，
类型：发明
国别省市：