【技术实现步骤摘要】
基于深度学习注意力机制的肝脏肿瘤图像分割方法
[0001]本专利技术涉及图像处理
,尤其是基于深度学习注意力机制的肝脏肿瘤图像分割方法。
技术介绍
[0002]肝癌严重威胁着人类的健康。在所有癌症中,肝癌发病率排在第六名,但死亡率却排第四位。肝癌病变切除手术是治愈肝癌的重要治疗手段,要求精准切除肿瘤病变区域,同时保证非病变区域完整性。医生只有精确分割出肝脏病变区域,才能对肝癌患者进行精确的诊断、分析以及治疗。肝脏肿瘤精确分割一直是研究的难点,不同病人的CT图像,甚至是同一病人CT图像的不同扫描断层中,肝脏肿瘤的位置并不固定,且大小、数目以及形状也随着扫描层的变化而不断变化,更糟糕的是影像噪声和模糊的组织边界也严重影响着医生对病变区域进行分割。
[0003]目前通过有经验的医师或专家进行手动分割病变的效果最佳,这也经常被作为医学图像分割预测结果的标准,然而却十分耗费精力和时间。更重要的是,手动分割具有不可重复性,这受限于医生的水平和经验,甚至是工作状态。由于不同的经验和水平,对于病变的分割结果是因人而异的;甚至同一医师对于某一组织部分的两次分割也可能会由于疲劳度的原因,造成一定差异。
[0004]为解决手动分割的缺陷,研究者提出一些半自动分割方法,如传统的医学图像分割算法和机器学习算法,这些算法的分割效率相比于手动分割有了很大提高。传统的医学图像分割算法,如Snakes算法,该算法在分割肿瘤时,需要操作者手动在肝脏肿瘤边缘确定一部分轮廓点,形成一个初始轮廓,然后算法自动拟合最终轮廓,该操作比较依赖 ...
【技术保护点】
【技术特征摘要】
1.基于深度学习注意力机制的肝脏肿瘤图像分割方法,其特征在于,具体包括如下步骤:步骤1:图像获取和图像预处理;首先通过对3D的CT图像进行切片化得到二维的CT切片图像,然后为CT图像的切片设置合适的窗位窗宽值,以去除图像中的过多与肝脏肿瘤分割任务不相关的区域,接着对CT图像以及其对应的分割标签进行外围的裁剪,去除过多的全黑背景区域,以优化网络的训练,最后通过归一化标准化等操作对肝脏CT影响进行处理;步骤2:构建U型的注意力机制网络;首先构建U型框架,在U型网络基础之上加入轴向注意力机制以及多尺度注意力机制,并将二者以自适应池化的方式结合起来;多尺度特征提取作为网络的主路提取多尺度特征,轴向注意力和多尺度注意力中的全局池化结合构成自适应全局池化,生成更有效的多尺度自适应权重;步骤3:训练网络;从步骤2处理好的数据中,挑选图像划分为训练集、测试集和验证集,使用数据集对网络模型进行训练,得到已经收敛的网络模型;步骤4:肝脏肿瘤图像分割;对待处理的肝脏肿瘤CT切片实施和数据集相同的预处理方法,然后将处理后的切片输入到网络进行全自动的肝脏肿瘤分割。2.根据权利要求1所述的基于深度学习注意力机制的肝脏肿瘤图像分割方法,其特征在于,所述的U型的注意力机制网络包括编码网络和解码网络,编码网络包括轴向注意力机制和多尺度注意力机制,编码网络负责特征提取,应用轴向注意力的全局建模构建全局依赖,充分提取信息,应用多尺度注意力的多尺度特征提取能力,对多尺度的输入进行自适应的特征提取,最后将这二者以自适应池化的方式有机结合,充分提取语义信息;同时编码网络的特征也会被馈送到解码网络辅助解码网络的语义分割;编码网络包含四层,每一层都包含一个基于多尺度注意力机制的多尺度特征提取主干路以及一个基于轴向注意力的注意力旁路,旁路提取有效的全局信息,为主路提取的多尺度特征赋予自适应的选择权重;解码网络也包含四层,每一层分别对应编码网络的每一层;解码网络的每一层都由反卷积构成;编码网络和解码网络之间通过跳跃连接来传递信息,编码网络每一层的低层语义信息会流动到解码网络对应的网络层中,辅助高级语义信息实现精确分割。3.根据权利要求1所述的基于深度学习注意力机制的肝脏肿瘤图像分割方法,其特征在于,步骤3中的U型的注意力机制网络包含了多尺度注意力机制,可实现自适应的多尺度特征提取;多尺度注意力机制包括多尺度特征提取和自适应权重两个部分;多尺度特征提取如式(I)所示:式(I)中,是具有n路不同感受野的多尺度卷积,concat(
·
)表示特征图拼接,
F(
·
)表示特征图,k(
·
)表示卷积核,p为特征图中的元素;多尺度特征图的自适应权重是由特征图自身生成的,要经过全局平均池化、全局最大池化以及权重生成层,这三个过程如式(II)、式(III)和式(IV)所示:Z
max
(c)=Max(X(c,i,j))0≤i≤W
‑
1 0≤j≤H
‑1ꢀꢀꢀ
(III)Weights=σ(f(δ(f(Z
avg
+Z
max
))))
ꢀꢀꢀꢀ
(IV...
【专利技术属性】
技术研发人员:李春国,陆敬奔,张翅,冷天然,高振,孙希茜,杨绿溪,
申请(专利权)人:东南大学,
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。