一种基于轻量化卷积神经网络的肝肿瘤分割方法技术

本发明专利技术公开了一种基于轻量化卷积神经网络的肝肿瘤分割方法，具体包括以下步骤：S1.获取初始腹部CT样本数据；S2.数据预处理和数据增广；S3.搭建基于轻量化卷积神经网络的分割模型GDASP

【技术实现步骤摘要】
一种基于轻量化卷积神经网络的肝肿瘤分割方法


[0001]本专利技术涉及医学影像处理
，特别是一种肝肿瘤的分割方法。

技术介绍

[0002]肝癌是全世界发病率和死亡率极高的恶性肿瘤，严重威胁着人们的身体健康，通过早期的筛查和治疗可以有效地减少癌症的发病率和死亡率。CT是肝肿瘤检测的重要手段，也是医生进行肝肿瘤切除的重要依据，通过CT可评估肿瘤的数目、大小和在肝脏中的分布等。
[0003]可是随着医学技术的飞速发展，每一套CT图像都会产生几百张到上千张不等数量的图片，如果让医生通过观察每张图片去确定是否有病灶，这就会花费大量宝贵的时间和人力；而且长时间的手工分割，非常容易使医生产生过度疲劳，从而出现误诊和漏诊的情况。所以，研究出一种全自动的、不依赖医生主观意识的、精度高的肝肿瘤自动分割方法是十分必要的。
[0004]肝脏肿瘤图像分割的问题上，传统的图像分割方法存在分割边界不明确、分割结果粗糙、经验参数过多等问题。深度学习具有端到端、无需设计特征规则和挖掘数据潜在特征等优点，可以很好的解决上述问题。
[0005]目前，基于深度学习的方法已经在图像分割领域广泛应用，主要包括卷积神经网络、深度信念网络和循环神经网络等，而在医学图像分割中应用最多的是卷积神经网络，其分割的准确度很高，已超过了传统的分割方法。卷积神经网络(Convolutional Neural Network,CNN)的基础可追隧到1994年Y.LeCun提出的LeNe网络，在LeNet网络的基础上产生了AlexNet、VGGNet、ResNet、Unet、Mask R
‑
CNN、SegNet、DeepLab和UNet++等众多优秀的网络，在实际的图像分割中取得了比较好的效果。
[0006]虽然，上述模型在图像自动分类和分割问题上取得了不错的成果，但是在这些模型中，为获取更好的分割精度，多数情况下需要设计更宽、更深的卷积神经网络结构来提取更丰富的特征，如ResNet、DenseNet、Inception、EfficientNet等。但更宽、更深的网络导致训练的模型具有较大的参数量和运算量，使得在实际模型部署过程中，需要占据较大内存空间，同时会损耗较多电量、耗费较大成本。

技术实现思路

[0007]本专利技术需要解决的技术问题是提供一种基于轻量化卷积神经网络的肝肿瘤分割方法，在减少网络参数和计算量的基础上，提高模型的分割精度。
[0008]为解决上述技术问题，本专利技术所采取的技术方案如下。
[0009]一种基于轻量化卷积神经网络的肝肿瘤分割方法，具体包括以下步骤：
[0010]S1.获取初始腹部CT样本数据；
[0011]S2.数据预处理和数据增广；
[0012]S3.搭建基于轻量化卷积神经网络的分割模型GDASP
‑
Unet；
[0013]S4.在所述步骤S3构建的分割模型上，用训练集和验证集训练模型，并用测试集对训练好的模型进行测试，评估模型性能。
[0014]上述一种基于轻量化卷积神经网络的肝肿瘤分割方法，步骤S2具体包括以下内容：
[0015]S21.对步骤S1获取的肝脏CT图像进行HU的限制，其HU值的范围为[
‑
120,420]；
[0016]S22.采用归一化方法对步骤S21限定的图像像素矩阵进行归一化处理；
[0017]S23.采用旋转、平移、缩小、扭曲对步骤S22归一化后的数据集以一定的比例进行扩充处理；
[0018]S24.按照7:2:1的比例把步骤S23处理后的数据集划分为训练集、验证集和测试集。
[0019]上述一种基于轻量化卷积神经网络的肝肿瘤分割方法，步骤S3所述分割模型的构建方法具体为：
[0020]S31.构造GDASP模块；
[0021]S32.在GDASP模块基础上，引入残差结构，构建分割模型GDASP
‑
Unet。
[0022]上述一种基于轻量化卷积神经网络的肝肿瘤分割方法，步骤S31的具体方法为：
[0023]S311.首先对尺寸为W
×
H
×
C的高维输入特征图X，使用N个1
×
1的分组逐点卷积，得到G组W
×
H
×
K的特征图，其中，；
[0024]S312.对特征图使用通道洗牌操作，实现不同分组通道之间的信息交换；
[0025]S313.对每一组的低维特征图，采用膨胀率为、卷积尺寸为n
×
n
×
k的深度膨胀空间金字塔卷积，得到具有不同感受野的G组特征图；
[0026]S314.对每一组特征图进行层级相加后进行串联操作，得到输出特征图；
[0027]S315.再次使用M个1
×
1的分组逐点卷积对进行升维或降维，然后进行通道洗牌操作，得到特征图Y；
[0028]S316.对原输入特征图X与特征图Y进行逐元素相加，得到最终的输出特征图Z。
[0029]上述一种基于轻量化卷积神经网络的肝肿瘤分割方法，步骤S32的具体方法为：在GDASP模块基础上，使用下采样、上采样操作，引入残差结构，构建最终的分割模型GDASP
‑
Unet；分割模型GDASP
‑
Unet包括用于捕捉高级特征的编码器和用于精准定位肿瘤分割的解码器，编码器和解码器呈对称关系，形成U型结构；分割模型GDASP
‑
Unet中除了最后一层外，每一层后面都进行批归一化及非线性激活PReLU操作。
[0030]上述一种基于轻量化卷积神经网络的肝肿瘤分割方法，步骤S4中模型的训练与测试方法为：
[0031]S41.将网络总损失函数设定为由Dice Loss和Focal Loss组成的混合损失函数，并用Adam优化算法对步骤S3搭建的分割模型GDASP
‑
Unet进行训练，训练结束时，提取对应于损失值最小时的参数作为最终权重；
[0032]S42.把训练阶段得到的最终权重加载到模型中，采用验证集中的CT切片进行验证，验证通过后进行步骤S43；
[0033]S43.将测试集中的CT切片送进步骤S42训练好的分割模型GDASP
‑
Unet中进行测试，最终得到肝肿瘤分割图和对应的指标参数。
[0034]由于采用了以上技术方案，本专利技术所取得技术进步如下。
[0035]本专利技术有机结合膨胀空间金字塔卷积、深度可分离卷积以及分组卷积等技术，能够在减少网络参数和计算量的基础上，提高了模型的分割精度和特征表达能力。本专利技术使用连续三个切片(当前切片和上下两个切片)来获取当前切片的分割图，有利于改善2D网络的分割效果比较差的问题和3D网络容易受到算法复杂度和计算机内存限制的问题。本专利技术使用混合损失函数，充分考虑了Dice loss的区域相关性特点和Focal loss平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，具体包括以下步骤：S1.获取初始腹部CT样本数据；S2.数据预处理和数据增广；S3.搭建基于轻量化卷积神经网络的分割模型GDASP
‑
Unet；S4.在所述步骤S3构建的分割模型上，用训练集和验证集训练模型，并用测试集对训练好的模型进行测试，评估模型性能。2.根据权利要求1所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S2具体包括以下内容：S21.对步骤S1获取的肝脏CT图像进行HU的限制，其HU值的范围为[
‑
120,420]；S22.采用归一化方法对步骤S21限定的图像像素矩阵进行归一化处理；S23.采用旋转、平移、缩小、扭曲对步骤S22归一化后的数据集以一定的比例进行扩充处理；S24.按照7:2:1的比例把步骤S23处理后的数据集划分为训练集、验证集和测试集。3.根据权利要求2所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S3所述分割模型的构建方法具体为：S31.构造GDASP模块；S32.在GDASP模块基础上，引入残差结构，构建分割模型GDASP
‑
Unet。4.根据权利要求3所述的一种基于轻量化卷积神经网络的肝肿瘤分割方法，其特征在于，步骤S31的具体方法为：S311.首先对尺寸为W
×
H
×
C的高维输入特征图X，使用N个1
×
1的分组逐点卷积，得到G组W
×
H
×
K的特征图其中，g＝1，2，..G，N＝G
×
K；S312.对特征图使用通道洗牌操作，实现不同分组通道之间的信息交换；S313.对每一组的低维特征图采用膨胀率为r＝2
g...

【专利技术属性】
技术研发人员：阿卜杜杰力力，
申请(专利权)人：广州市华奕电子科技有限公司，
类型：发明
国别省市：