基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法技术

本发明专利技术涉及基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法，与现有技术相比解决了难以针对食管癌CT图像进行自动分割的缺陷。本发明专利技术包括以下步骤：食管癌CT图像的获取及预处理；构建食管癌CT图像分割模型；食管癌CT图像分割模型的训练；待分割食管癌CT图像的获得及预处理；食管癌CT图像分割结果的获得。本发明专利技术基于食管CT影像噪声大、分辨率不高、有伪影的特点，提出用图像超分辨率重建网络提取的特征，再渐进式融合到分割网络中，有效的增强了食管CT影像的质量，能够使网络提取到更加丰富的细节特征，可以有效地进行食管癌靶区的分割和勾画，提高分割的准确性和效率。提高分割的准确性和效率。提高分割的准确性和效率。

【技术实现步骤摘要】
基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法


[0001]本专利技术涉及医学图像分割
，具体来说是基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法。

技术介绍

[0002]食管癌是一种男性占主导地位的侵袭性恶性肿瘤，包括鳞状细胞食管癌和腺类食管癌，它们具有不同的病理特征和分布情况。全球范围内，鳞状细胞食管癌仍然是最常见的类型。目前，食管切除手术与三野淋巴切除技术已经达到了局部控制的极限，需要等待技术的进一步发展。此外，食管癌具有很强的侵袭性，早期就可能发生淋巴和血行转移等并发症。由于疾病早期症状不明显，大多数患者在出现进食困难、声音嘶哑等症状就诊时，肿瘤已经处于进展期，错过了手术切除的时机。对于不能接受手术治疗的食管癌患者，仅使用化疗、靶向治疗等单一手段效果不佳，5年生存率较低。相比之下，采用化疗、放疗和内镜治疗等多模式综合治疗方法正在逐渐成为主流，可以为一部分进展期食管癌患者提供长期生存的机会，在不适宜手术切除的情况下发挥重要作用。放射治疗的一个主要问题是确定肿瘤的位置，需要一种能够辅助定位的工具。因此，计算机断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法，其特征在于，包括以下步骤：11)食管癌CT图像的获取及预处理：获取DICOM格式的CT影像，对CT影像中食管颈段和食管腹段区域的CT图像数据进行数据增强处理，并对所有CT影像进行切片处理，即对三维的DICOM格式的CT影像进行截取操作，得到二维的.jpg格式的CT影像切片和.png格式的二值化标签影像，组成食管癌CT图像数据集；12)构建食管癌CT图像分割模型：基于两阶段的渐进式信息融合技术构建食管癌CT图像分割模型；13)食管癌CT图像分割模型的训练：将食管癌CT图像数据集输入食管癌CT图像分割模型进行训练；14)待分割食管癌CT图像的获得及预处理；15)食管癌CT图像分割结果的获得：将预处理后的待分割食管癌CT图像输入训练后的食管癌CT图像分割模型，得到分割后的食管癌CT图像。2.根据权利要求1所述的基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法，其特征在于，所述构建食管癌CT图像分割模型包括以下步骤：21)设定食管癌CT图像分割模型包括用于超分辨率重建的Swin Transformer网络模型和TransResUNet卷积神经网络模型，超分辨率重建的SwinTransformer输出的特征图与原图通过拼接操作进行渐进式信息融合，之后输入到用于分割的TransResUNet卷积神经网络模型得到最终的分割图；22)设定Swin Transformer网络模型，其包括6个带残差的Swin Transformer模块RSTB和一个残差连接结构，其中RSTB由6个Swin Transformer Layer和一个卷积、一个残差连接组成；23)设定TransResUNet卷积神经网络模型：231)设定TransResUNet卷积神经网络模型包括一个用于特征提取的下采样编码器模块，一个用于获取不同尺度感受野的特征金字塔ASPP模块，一个用于恢复图像分辨率的上采样解码器模块；232)设定下采样编码器模块包括4个连续的带残差的下采样结构；带残差的下采样结构包括分支A和分支B，其中分支A为一个卷积核为3
×
3的卷积层、一个批量归一化层、一个LeakyRelu层、一个Transformer Encoder Block层、一个卷积核为3
×
3的卷积层、一个批量归一化层堆叠作为残差结构的分支A；分支B为一个卷积核为1
×
1的卷积层、一个批量归一化层堆叠作为残差结构的另一个分支B；两个分支进行加法操作，最后经过一个LeakyRelu层；233)设定特征金字塔ASPP模块，其包括：第一个操作模块：一个卷积核为1
×
1的卷积层；第二个操作模块：一个卷积核为3
×
3空洞率为6的卷积层；第三个操作模块：一个卷积核为3
×
3空洞率为12的卷积层；第四个操作模块：一个卷积核为3
×
3空洞率为18的卷积层；第五个操作模块：一个自适应平均池化层、一个卷积核为1
×
1的卷积层、一个上采样操
作进行堆叠构成；将这五个操作模块进行并行连接，并将其得到的5个特征图进行拼接操作，再经过卷积核为1
×
1的卷积层；234)设定上采样解码器模块，包括4个连续的带残差的上采样结构，以及与编码器的四个带残差的下采样结构的输出分支的拼接结构；编码器的四个带残差的下采样结构分别得到四个不同尺寸的输出，第四个尺寸的输出，输入到特征金字塔ASPP模块后拼接到解码器的第一个输入，第三个尺寸的输出拼接到解码器的第二个输入，第二个尺寸的输出拼接到解码器的第三个输入，第一个尺寸的输出拼接到解码器的第四个输入；解码器结构为四个连续的带残差的上采样块，带残差的上采样块结构为：一个二倍上采样操作、一个对应编码器层拼接操作、一个卷积核为3
×
3的卷积层、一个批量归一化层、一个LeakyRelu层、一个卷积核为3
×
3的卷积层与一个批量归一化层堆叠作为残差结构的一个分支，以及一个卷积核为1
×
1的卷积层与一个批量归一化层堆叠作为残差结构的另一个分支；两个分支进行加法操作，最后经过一个解码器模块中的LeakyRelu层。3.根据权利要求1所述的基于两阶段渐进式信息融合的食管癌CT图像肿瘤区自动分割方法，其特征在于，所述食管癌CT图像分割模型的训练包括以下步骤：31)将食管癌CT图像数据集输入食管癌CT图像分割模型的Swin Transformer网络模型，从Swin Transformer网络模型输出特征图；输入到用于超分辨率重建的Swin Transformer网络模型，执行一次卷积核大小为1
×
1的卷积层，经过6个连续的RSTB模块，一个残差连接操作，一个卷积核大小为1
×
1的卷积层，一个LeakyRelu层一个上采样操作，一个卷积核大小为1
×
1的卷积层，得到一个特征图；32)将Swin Transformer输出的特征图与原图通过拼接操作进行渐进式信息融合...

【专利技术属性】
技术研发人员：黄勇，徐凯，张飞翔，
申请(专利权)人：安徽大学，
类型：发明
国别省市：