肝脏肿瘤医疗影像的三维智能重建方法技术

本发明专利技术公开了一种肝脏肿瘤医疗影像的三维智能重建方法，主要解决现有技术的肝脏肿瘤三维图像重建精度低的问题。其实现方案是：对医疗影像进行图像预处理，以统一不同场景下的数据差异并划分训练集和测试集；基于肝脏肿瘤的复杂特征构建基于边缘聚合模块和动态分层Transformer模块的肝脏肿瘤分割网络模型；将训练数据集输入网络模型中通过随机梯度下降方法进行训练；将测试数据输入到训练后的肝脏肿瘤分割网络中获得预测的肝脏肿瘤分割结果；对预测的分割结果通过图像后处理操作实现精准的三维肝脏肿瘤重建。本发明专利技术提升了网络学习效率以及肝脏肿瘤重建的精度，可用于对医学影像的AI自动分割。像的AI自动分割。像的AI自动分割。

【技术实现步骤摘要】
肝脏肿瘤医疗影像的三维智能重建方法


[0001]本专利技术属于人工智能
，特别涉及一种三维智能重建方法，可用于对医学影像的AI自动分割。

技术介绍

[0002]肝癌是世界上最常见的癌症之一。从患者CT图像中准确测量肿瘤病变，包括肿瘤的形状、位置和体积，对医生进行准确的癌症评估和手术规划有很大帮助。传统方法是由经验丰富的放射科医生进行视觉检查和手动描绘，这种注释过程耗时且昂贵，分割结果容易受到人工的显著主观性影响。因此，计算机辅助的肝脏和肿瘤自动分割方法在临床实践中备受关注。
[0003]深度学习技术的出现，推动了人工智能在医疗图像分割领域的发展，通过卷积神经网络自动提取特征，实现医疗图像的全自动端到端的分割方法。这些方法主要基于完全卷积神经网络，其中U
‑
Net及其变体表现出了优异的性能。大多肝脏肿瘤分割方法可分为三类：2D网络、2.5D网络和3D网络。U
‑
Net网络及其变体主要以串联或聚合的方式直接融合多层特征，忽略了特征的多样化表达，尤其是在网络的浅层跳跃连接过程中，输入的高分辨率边缘信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝脏肿瘤医疗影像的三维智能重建方法，其特征在于，包括如下步骤：(1)对原始肝脏肿瘤CT图像进行预处理，并将数据以4：1的比例划分为训练集和测试集，再将训练集在目标区域内随机裁剪得到训练子块数据集，将测试集在整体图像内随机裁剪得到测试子块数据集；(2)构建肝脏肿瘤医疗影像分割网络；(2a)建立浅层编码器网络：设浅层编码器网络共三层，每一层采用基于三维卷积的多层感知机结构，将训练子块数据输入至浅层编码器，提取输入图像的多层次细粒度特征，并计算每层细粒度特征中的边缘信息；(2b)建立深层编码器网络：设计动态分层Transformer模块，以动态自适应的全局关注不同大小和离散分布的肿瘤区域；由两层动态分层Transformer模块组成第二阶段深层编码器网络，用于获得精确的肿瘤深度形态特征；(2c)使用3D U
‑
Net网络中的CNN解码器作为解码器网络，解码器采用三维反卷积进行上采样；(2d)将浅层编码器、深层编码器及解码器依次级联，并将编码器每层的输出与解码器每层的输入进行跳连接融合，构成肝脏肿瘤医疗影像分割网络，并设该网络的损失函数为：其中，L
i
为第i层的目标损失；I为解码器的总层数，且第0层输出的分辨率最高，第I层输出分辨率最底；(3)利用训练子块数据集，使用随机梯度下降法对肝脏肿瘤医疗影像的图像分割网络进行网络的反向传播训练，直至下降的损失达到收敛，得到训练好的肝脏肿瘤医疗影像分割网络；(4)将测试子块数据集输入到训练好的肝脏肿瘤医疗影像分割网络获得精准预测的图像子块，再对预测的图像子块进行拼接和边缘优化的后处理，得到最终预测的肝脏肿瘤三维重建图像。2.根据权利要求1所述的方法，其特征在于，步骤(1)对原始肝脏肿瘤CT图像进行预处理，实现如下：(1a)根据标签计算层间距的中位数作为目标层间距，并根据目标层间距将所有数据重新采样到统一的分辨率大小；(1b)数据重采样后,将肝脏和肿瘤的区域作为前景类，收集所有前景类的体素强度信息，并计算前景的体素均值和标准差，再用所有图像数据减去前景体素均值并除以标准差完成数据强度的归一化；(1c)将所有归一化后的数据依次采取旋转、缩放、高斯加噪、高斯模糊、亮度处理、对比度处理的操作进行数据增强。3.根据权利要求1所述的方法，其特征在于，步骤(2a)中计算每层细粒度特征中的边缘信息，实现如下：(2a1)利用空间注意力机制对浅层特征中的边缘细节信息通过空间注意力机制进行
放大，并获得三层多尺度边缘细节特征(2a2)将不同层的细节特征下采样为相同分辨率，并将其在通道维度串联起来生成聚合特征F
m
：其中，Concat(
·
)为通道维度的串联，D(

【专利技术属性】
技术研发人员：谢琨，李瑞阳，徐龙昌，宋建锋，苗启广，刘糠，袁细国，郑海红，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：