基于CT图像的结直肠癌自动分期方法、系统、介质及设备技术方案

本发明专利技术公开了一种基于CT图像的结直肠癌自动分期方法、系统、介质及设备，该方法包括下述步骤：CT图像预处理构建初始数据集；进行数据清洗，修正数据集中的正负样本比例；数据集进行数据增强；利用CBAM注意力机制对通道特征和空间特征进行重要性筛选，并使用残差连接；选择预测概率最大的类别作为每个元素的最终预测类别，以确定输出图像的结直肠肿瘤区域和非直肠肿瘤区域的位置；对预测图像使用分块推理方法；基于数据融合思想将包含肿瘤区域的CT图像和原始CT图像进行通道维度的合并，输入到优化3D U

【技术实现步骤摘要】
基于CT图像的结直肠癌自动分期方法、系统、介质及设备


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于CT图像的结直肠癌自动分期方法、系统、介质及设备。

技术介绍

[0002]CT图像可以辅助医生确定结直肠癌的位置及范围，以进行对结直肠癌的疾病诊断及肿瘤分期。然而，由于CT体积大，医生手动检测非常耗时，此外，长期工作会增加结直肠癌筛查中的误诊和漏诊率。
[0003]因此，一种基于CT图像的结直肠癌自动分期方法对减轻医生负担、提高准确性具有重要作用。
[0004]现有的基于CT图像的结直肠癌自动分期方法均采用二维的CT图像作为模型输入，未能充分利用CT图像的三维空间信息和原始信息；同时，这些方法通常利用CT图像输入模型直接进行分期推理，由于肠道有内容物，会对分期结果产生干扰，影响了分期的准确率。

技术实现思路

[0005]为了克服现有技术存在的缺陷与不足，本专利技术提供一种基于CT图像的结直肠癌自动分期方法，本专利技术引入CBAM注意力机制和残差学习思想，使得网络更好融合不同尺度的特征图，更加专注需要分割的结直肠癌区域；使用分块推理方法，减少计算量的同时使得对结直肠癌部位的分割更加精确。
[0006]本专利技术的第二目的在于提供一种基于CT图像的结直肠癌自动分期系统。
[0007]本专利技术的第三目的在于提供一种存储介质。
[0008]本专利技术的第四目的在于提供一种计算设备。
[0009]为了达到上述目的，本专利技术采用以下技术方案：
[0010]本专利技术提供一种基于CT图像的结直肠癌自动分期方法，包括下述步骤：
[0011]基于图像形态学对CT图像进行预处理，构建初始数据集；
[0012]对初始数据集进行清洗，修正数据集中的正负样本比例；
[0013]基于数据增强对数据集进行扩充；
[0014]根据CBAM注意力机制和残差网络结构优化3D U
‑
Net分割模型，设有多层编码路径和多层解码路径，所述CBAM注意力机制由通道注意力模块和空间注意力模块构成，用于进行通道注意和空间注意；
[0015]每一层编码路径包括两次卷积操作，每一层的编码路径产生两个相同的输出，一个输出进行最大池化操作以传递给下一层的编码路径作为输入继续参与编码操作，另一个输出作为CBAM注意力机制的输入进行通道注意和空间注意，并基于残差思想进行残差连接，在通道维度上合并到相同分辨率解码路径的输入参与解码操作，最底层的编码路径进行编码操作后，进行反卷积操作，并在通道维度上进行堆叠，合并到上一层解码路径的输入参与解码操作；
[0016]在每一层解码路径中，将来自相同分辨率编码路径经过注意力机制进行通道注意和空间注意，并基于残差思想进行残差连接后的输出以及下方路径通过反卷积操作产生的输出进行通道维度的堆叠作为输入，进行两次卷积操作，除最顶层的解码路径外，每一层的解码路径随后进行一次反卷积操作，并在通道维度上进行堆叠，合并到上一层解码路径的输入参与解码操作，在最顶层的路径中，进行两次卷积操作，通过一个卷积层输出图像；
[0017]采用softmax函数进行激活，选择预测概率最大的类别作为每个元素的最终预测类别，以确定输出图像的结直肠肿瘤区域和非直肠肿瘤区域的位置；
[0018]将各个采样得到的图像块依次输入优化后的3D U
‑
Net分割模型，得到各部分的初步分割结果，按照原先采样的位置重新拼接，得到整体的初步预测分割结果；
[0019]基于数据融合思想将包含肿瘤区域的CT图像和原始CT图像进行通道维度的合并，输入优化后的3D U
‑
Net分割模型中进行推理，得到最终的结直肠癌分期结果。
[0020]作为优选的技术方案，所述基于图像形态学对CT图像进行预处理，构建初始数据集，具体步骤包括：
[0021]将原始CT图像进行预设强度范围的提取；
[0022]使用前景中最大联通区域的边界框裁剪强度提取后的CT图像；
[0023]对裁剪后的CT图像进行二值化处理；
[0024]对二值化处理后的CT图像进行标注，构建初始分割数据集，对二值化处理的CT图像进行分期记录，构建分类数据集。
[0025]作为优选的技术方案，所述基于数据增强对数据集进行扩充，具体步骤包括：
[0026]使用随机旋转、随机缩放、随机弹性变形、伽马校正增强和镜像进行数据增强；
[0027]使用最近邻差值方法，将图像体素间距统一插值到全体数据集的体素间距均值。
[0028]作为优选的技术方案，所述每一层编码路径包括两次卷积操作，每次卷积操作先使用ReLU函数进行激活，再进行BN批标准化处理，在卷积操作时均采用same卷积模式。
[0029]作为优选的技术方案，通道注意的具体计算公式为：
[0030][0031]其中，F表示CBAM注意力机制的输入特征图，M
c
(F)表示F经过通道注意力模块得到的通道注意力中间特征图，表示将M
c
(F)进行广播，将M
c
(F)与F对应位置元素进行乘积，F
′
表示经过完整通道注意力机制得到的通道注意力最终特征图；
[0032]空间注意的具体计算公式为：
[0033][0034]其中，M
s
(F
′
)是F
′
经过空间注意力模块得到的空间注意力中间特征图，是指将M
s
(F
′
)进行广播，M
s
(F
′
)与F
′
对应位置元素进行乘积，F
″
表示经过完整空间注意力机制得到的空间注意力最终特征图。
[0035]作为优选的技术方案，在通道注意力模块中，采用共享卷积路径代替全连接层，输入的特征图分别经过基于空间维度的最大值池化和均值池化，经过共享卷积路径进行权重学习，进行基于对应元素的加和操作，经过σ
Sigmoid
函数进行激活，所述共享卷积路径包括两个卷积层，第一个卷积层的输入通道数为K，输出通道数为K/r，第二个卷积层的输入通道数为K/r，输出通道数为K，其中K为CBAM注意力机制的输入特征图的通道数，r为减少率。
[0036]作为优选的技术方案，在空间注意力模块中，获取经过完整通道注意力机制的通道注意力最终特征图，分别进行基于通道的最大值池化和均值池化操作，将基于通道的最大值池化和均值池化操作得到的两个特征图进行基于通道维度的合并操作，通过卷积操作将其降维成一个通道，再经过σ
sigmoid
函数进行激活。
[0037]为了达到上述第二目的，本专利技术采用以下技术方案：
[0038]一种基于CT图像的结直肠癌自动分期系统，包括：数据预处理模块、数据清洗模块、数据增强模块、3D U
‑
Net分割模型优化模块、图像区域确定模块、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT图像的结直肠癌自动分期方法，其特征在于，包括下述步骤：基于图像形态学对CT图像进行预处理，构建初始数据集；对初始数据集进行清洗，修正数据集中的正负样本比例；基于数据增强对数据集进行扩充；根据CBAM注意力机制和残差网络结构优化3D U
‑
Net分割模型，设有多层编码路径和多层解码路径，所述CBAM注意力机制由通道注意力模块和空间注意力模块构成，用于进行通道注意和空间注意；每一层编码路径包括两次卷积操作，每一层的编码路径产生两个相同的输出，一个输出进行最大池化操作以传递给下一层的编码路径作为输入继续参与编码操作，另一个输出作为CBAM注意力机制的输入进行通道注意和空间注意，并基于残差思想进行残差连接，在通道维度上合并到相同分辨率解码路径的输入参与解码操作，最底层的编码路径进行编码操作后，进行反卷积操作，并在通道维度上进行堆叠，合并到上一层解码路径的输入参与解码操作；在每一层解码路径中，将来自相同分辨率编码路径经过注意力机制进行通道注意和空间注意，并基于残差思想进行残差连接后的输出以及下方路径通过反卷积操作产生的输出进行通道维度的堆叠作为输入，进行两次卷积操作，除最顶层的解码路径外，每一层的解码路径随后进行一次反卷积操作，并在通道维度上进行堆叠，合并到上一层解码路径的输入参与解码操作，在最顶层的路径中，进行两次卷积操作，通过一个卷积层输出图像；采用softmax函数进行激活，选择预测概率最大的类别作为每个元素的最终预测类别，以确定输出图像的结直肠肿瘤区域和非直肠肿瘤区域的位置；将各个采样得到的图像块依次输入优化后的3D U
‑
Net分割模型，得到各部分的初步分割结果，按照原先采样的位置重新拼接，得到整体的初步预测分割结果；基于数据融合思想将包含肿瘤区域的CT图像和原始CT图像进行通道维度的合并，输入优化后的3D U
‑
Net分割模型中进行推理，得到最终的结直肠癌分期结果。2.根据权利要求1所述的基于CT图像的结直肠癌自动分期方法，其特征在于，所述基于图像形态学对CT图像进行预处理，构建初始数据集，具体步骤包括：将原始CT图像进行预设强度范围的提取；使用前景中最大联通区域的边界框裁剪强度提取后的CT图像；对裁剪后的CT图像进行二值化处理；对二值化处理后的CT图像进行标注，构建初始分割数据集，对二值化处理的CT图像进行分期记录，构建分类数据集。3.根据权利要求1所述的基于CT图像的结直肠癌自动分期方法，其特征在于，所述基于数据增强对数据集进行扩充，具体步骤包括：使用随机旋转、随机缩放、随机弹性变形、伽马校正增强和镜像进行数据增强；使用最近邻差值方法，将图像体素间距统一插值到全体数据集的体素间距均值。4.根据权利要求1所述的基于CT图像的结直肠癌自动分期方法，其特征在于，所述每一层编码路径包括两次卷积操作，每次卷积操作先使用ReLU函数进行激活，再进行BN批标准化处理，在卷积操作时均采用same卷积模式。5.根据权利要求1所述的基于CT图像的结直肠癌自动分期方法，其特征在于，通道注意
的具体计算公式为：其中，F表示CBAM注意力机制的输入特征图，M
c
(F)表示F经过通道注意力模块得到的通道注意力中间特征图，表示将M
c
(F)进行广播，将M
c
(F)与F对应位置元素进行乘积，F
′
表示经过完整通道注意力机制得到的通道注意力最终特征图；空间注意的具体计算公式为：其中，M
s
(F
′
)是F
′
经过空间注意力模块得到的空间注意力中间特征图，是指将M
s
(F
′
)进行广播，M
s
(F
′
)与F
′
对应位置元素进行乘积，F
″

【专利技术属性】
技术研发人员：李康顺，蔡棱，陈灿，黄威雄，蒋伟强，王铭，温翔昊，柯晓婷，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：