一种基于U-Net的眼眶肿瘤图像分割方法技术

本发明专利技术公开了一种基于U

【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，以及一个大分支结构，它可以更好地捕捉大尺度区域的特征。我们对私有眼眶肿瘤数据集和公共数据集CVCClinicDB进行了全面的实验。结果表明，我们的TriBranch U
‑
Net在处理不同大小的区域时表现得更好。
[0006]一种基于U
‑
Net的眼眶肿瘤图像分割方法，具体包括以下步骤：
[0007]步骤1，眼眶肿瘤数据集的采集；
[0008]步骤2，数据的预处理；
[0009]步骤3，构建基于U
‑
Net的眼眶肿瘤图像分割模型；
[0010]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；
[0011]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。
[0012]进一步的，步骤1具体方法如下；
[0013]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3D CT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。
[0014]进一步的，步骤2具体方法如下；
[0015]对采集的3D CT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。
[0016]进一步的，步骤3具体方法如下；
[0017]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。
[0018]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：
[0019]z
′
＝RELU(BN(Conv(RELU(BN(Conv(z))))+RELU(BN(Conv(z))))),
[0020]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。
[0021]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，从而具有较高的特征分辨率，可以保留更多的小尺度特征信息。通过小分支对主分支第一个U形编码解码器输出的预分割特征进行处理得到小分支的预测特征。
[0022]大分支同样接收自主分支第一个U形编码解码器输出的预分割特征，其包括3个部分：由4个空洞残差卷积块(ARCB)构成的编码器，解码器以及ASPP模块。其中ARCB模块不同于RCB模块，其将RCB中的由3x3卷积层，BN层以及RELU层构成的跳跃连接分支换成了由空洞卷积构成的跳跃连接。大分支相比小分支而言采用较深的卷积层以及使用膨胀系数为3的空洞卷积，从而较好的扩大感受野有利于捕捉大尺度特征信息。通过大分支对主分支第一个U形编码解码器输出的预分割特征进行处理得到大分支的预测特征。
[0023]最后，为了获得最终的分割预测图，直接在通道上将小分支、主分支、大分支的预测特征进行连接并通过由压缩
‑
提取块(SE blocks)、1x1卷积层以及sigmoid函数构成的多尺度融合模块进行最终的预测。
[0024]进一步的，步骤4具体方法如下；
[0025]眼眶肿瘤图像分割模型的输入是来自步骤2预处理后的图像。前向推理时，预处理图像x分别经过主分支第一个U形编码解码器、主分支第二个U形编码解码器、小分支以及大分支分别产生4个分割预测结果p，为了训练时监督每个分支的分割预测结果的好坏，利用Dice损失L对分别对每个分支预测特征进行监督。其中L的计算如下：
[0026][0027]其中y
i
为第i个输入预处理图像x
i
的真实掩膜。N为输入样本的总样本量。ε是一个
非常小的正数，防止分母为0。训练时，除了监督三个分支的预测结果，还需要对三个分支融合后的特征利用Dice损失进行监督。因此，网络训练时的总体损失函数如下：
[0028]L＝L
pre
+L
small
+L
main
+L
large
+L
fusion
，
[0029]其中L
pre
用于对主分支第一个U形编码解码器输出预分割特征利用Dice损本文档来自技高网...

【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：