【技术实现步骤摘要】
一种基于U
‑
Net的眼眶肿瘤图像分割方法
[0001]本专利技术涉及计算机辅助诊断
,尤其涉及一种基于U
‑
Net的眼眶肿瘤图像分割方法。
技术介绍
[0002]眼眶肿瘤是一种常见的具有失明、残疾的肿瘤疾病。如果不及时诊断和治疗,眼眶肿瘤可导致视力丧失,对生命构成严重威胁。因此,设计一种眼眶肿瘤图像的精确分割方法是非常有必要的。在临床实践中,眼眶肿瘤的形状和位置是诊断的关键线索。此外,人们还提出了许多基于分割的方法来提取这些线索。
[0003]近年来,基于编解码器的卷积神经网络被广泛应用于医学图像分割任务中,通常采用单个输入张量流结构,如U
‑
Net、Attention U
‑
Net和Double U
‑
Net。然而,单张量流体系结构很难学习具有大变化的数据的鲁棒性特征。为了解决这一问题,本文提出了一种名为TriBranch U
‑
Net的多分支网络,分别学习大型和小尺度区域的特殊特征,使网络对大小变化敏感,并提供更好的特征表示。
技术实现思路
[0004]针对现有技术中存在的不足,本专利技术提供一种基于U
‑
Net的眼眶肿瘤图像分割方法。
[0005]本专利技术提出了一种大小敏感的分割网络,该网络设计了一种针对大小区域的自适应学习特征的多分支架构,从而提高了分割的大小鲁棒性。具体而言,我们设计了一个小分支结构,它可以更好地捕捉小尺度区域的特征,以及一个 ...
【技术保护点】
【技术特征摘要】
1.一种基于U
‑
Net的眼眶肿瘤图像分割方法,其特征在于,包括以下步骤:步骤1,眼眶肿瘤数据集的采集;步骤2,数据的预处理;步骤3,构建基于U
‑
Net的眼眶肿瘤图像分割模型;步骤4,通过预处理后的数据集训练眼眶肿瘤图像分割模型;步骤5,利用训练好的模型参数,实现眼眶肿瘤图像分割模型在眼眶肿瘤图像上的肿瘤区域分割。2.根据权利要求1所述的一种基于U
‑
Net的眼眶肿瘤图像分割方法,其特征在于,步骤1具体方法如下;步骤一中所述的眼眶肿瘤图像采集的私有数据样本包含64例患者,其中35例为血管瘤,其余29例为淋巴瘤;每个患者术前进行多次CT扫描,得到602张3DCT图像;然后,步骤二所述的数据预处理:根据7:1:2的窗口宽度为
‑
500~500的比例将患者随机分为训练、验证和测试集。3.根据权利要求2所述的一种基于U
‑
Net的眼眶肿瘤图像分割方法,其特征在于,步骤2具体方法如下;对采集的3DCT图像沿着x轴方向切分从而得到2D的CT图像并将其通过缩放转换为352x352像素的单通道灰度图像。4.根据权利要求3所述的一种基于U
‑
Net的眼眶肿瘤图像分割方法,其特征在于,步骤3具体方法如下;所述的基于U
‑
Net的眼眶肿瘤图像分割模型包括3个分支:主分支、小分支、大分支以及多尺度融合模块;其中主分支由2个U形编码解码器构成;其中第一个U形编码解码器由VGG
‑
19编码器、空洞空间卷积池化金字塔ASPP模块以及基于残差卷积块RCB的解码器三个部分构成;RCB是由3x3的卷积层Conv,批量标准化BN以及非线性函数RELU构成,其计算如下:z
′
=RELU(BN(Conv(RELU(BN(Conv(z))))+RELU(BN(Conv(z))))),其中z为RCB的输入特征,z
′
为RCB的输出特征;第一个U形编码解码器首先将来自步骤2预处理的眼眶肿瘤图像送入VGG
‑
19编码器提取高级的语义特征,接着将该语义特征送入ASPP模块中提取多尺度的特征信息,然后将ASPP输出的特征送入基于RCB的解码器获得高级的语义特征,最后将该特征和输入图像的浅层特征相乘来弥补浅层信息的丢失,从而获得初步的预分割特征;第二个形如U
‑
net的U形编码解码器,不同于U
‑
net的是其编码器和解码器中的卷积被RCB模块所替代,并在编码器后添加了ASPP模块来捕获多尺度信息;第二个U形编码解码器通过接收第一个U形编码解码器的预分割特征并输出主分支的分割特征;小分支接收来自主分支第一个U形编码解码器输出的预分割特征,其包括3个部分:由2个RCB构成的编码器,解码器以及ASPP模块;由于小分支降采样次数较少,从而具有较高的...
【专利技术属性】
技术研发人员:王帅,程志明,颜成钢,陆雯,杨德富,张莹,何敏,高宇涵,孙垚棋,朱尊杰,王鸿奎,王廷宇,殷海兵,张继勇,李宗鹏,赵治栋,
申请(专利权)人:杭州电子科技大学,
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。