一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质技术方案

一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质，其方法通过构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型；在编码器网络中加入大核深度卷积，将局部信息和全局信息相结合；构建相邻层特征融合模块，使得模型充分利用不同层特征之间的信息；构建大核GRN通道响应模块，对相邻层特征融合的特征进行长距离依赖性建模，在特征通道数增加的情况下，大核GRN通道响应模块则对融合特征的通道进行全局响应归一化，以此对通道进行对比和选择，利用融合后的特征，提高整个模型的分割性能；其系统、设备及介质能够基于所述分割方法，对器官影像进行分割；具有使用参数少，降低了器官分割的复杂性，实用性好，效率高的优点。效率高的优点。效率高的优点。

【技术实现步骤摘要】
一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质


[0001]本专利技术涉及医学影像多器官分割
，特别涉及一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质。

技术介绍

[0002]医学影像中的器官分割是计算机辅助诊断(CAD)、计算机辅助手术(CAS)等许多临床应用的基本任务前提。多器官的自动和准确分割是计算机辅助诊断和图像引导手术系统的一项重要但具有挑战性的任务。准确的分割是许多临床应用的重要组成部分，在当前的临床实践中，感兴趣区域的轮廓由医师手动描绘，手动描绘轮廓过程繁琐、耗时且费力，并且器官结构和背景复杂、器官边界模糊不一，因此在医学影像上手动描绘器官轮廓具有挑战性。近年来，随着深度学习在医学影像领域的发展。利用深度学习进行多器官医学影像分割，可精确绘制器官轮廓、定位病变区域，快速辅助医生定位目标，减轻医生压力，提升诊断效率，对现代临床应用具有积极和重要作用。
[0003]现有技术方案包括基于传统的多器官分割方法，基于传统机器学习(Machine learning,ML)的多器官分割方法和基于深度学习(Deep Learning,DL)的多器官分割方法。
[0004]基于传统的分割方法通常由经典的图像分割方法得到，比如基于阈值分割、基于边缘检测分割、基于区域生长分割等，它们涉及人工、目标边界以及数学模型，在一些组织器官复杂、边界模糊重叠的情况下分割结果较差。基于传统机器学习的多器官分割方法由机器学习算法驱动，比如基于图谱的分割方法，其是利用先验知识进行的分割，将人工分割或者预先定义的结构轮廓通过标记传播来配准到目标图像上，由于基于图谱分割方法依赖配准度，而且大多数图谱只针对大器官进行分割，如肝脏、肾脏、脾脏、胸腔等，较少针对小器官的分割，如胰腺、肝胆、十二指肠、食道等，所以基于图谱的分割方法存在不足。
[0005]近年来，深度学习技术取得巨大发展，卷积神经网络(CNN)凭借强大的特征提取能力，其已成功应用于医学图像分割。在不同的CNN变体中，U
‑
Net网络模型和基于它的变体由于其简单的架构和出色的性能，多年来一直是先进的医学分割模型。然而，由于卷积运算固有的局部性，基于CNN的模型通常在捕获远程关系方面存在局限性。最近，随着Vision Transformer(ViT)的出现，特别是Swin Transformer(Swin
‑
T)的引入，使得基于ViT的模型以其优越的性能成为医学分割主干。Swin
‑
T中的移位窗口方案可以克服高分辨率输入的限制，同时保留Transformer的全局自注意力优势。虽然Swin
‑
T降低了模型的复杂性，但基于ViT的模型通常参数大，需要更多的标记样本和计算资源。此外，在语义分割领域，其利用不同层的特征融合来提高分割性能，并且最近的工作证明了这一点，例如用于自然图像分割的PSPNet和HRNet，以及UNet++和UNet 3+用于医学影像分割。这些研究表明，融合具有更多细节的低层特征和具有更多语义的高层特征，可以提高各个领域的分割性能。然而，这些方法涉及对所有特征融合，这可能导致模型产生高额的计算复杂度，而且这些研究对融合后的特征只做简单的线性映射处理，提取特征不够深入。

技术实现思路

[0006]为了克服上述现有技术存在的缺陷，本专利技术的目的在于提供一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质，通过利用大核残差连接、相邻层特征融合和大核GRN通道响应，可以有效且高效地分割医学影像，以较低的复杂性和参数量实现了良好的分割性能，具有使用参数少，降低了器官分割的复杂性，实用性好，效率高的优点。
[0007]为了达到上述目的，本专利技术采取的技术方案为：
[0008]一种结合大核卷积的相邻层特征融合Unet多器官分割方法，对数据集包含标签的样本进行数据集划分、预处理数据、数据采样和数据增强后，构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型，构建相邻层特征融合模块，使得模型充分利用不同层特征之间的信息，得到更多细节的低层特征和更多语义的高层特征；构建大核GRN通道响应模块，对相邻层特征融合的特征进行长距离依赖性建模，在特征通道数增加的情况下，大核GRN通道响应模块则对融合特征的通道进行全局响应归一化，以此对通道进行对比和选择，利用融合后的特征，提高整个模型的分割性能。
[0009]所述构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型包括：构建编码器网络、解码器的基础网络、相邻层特征融合模块和大核GRN通道响应模块；在编码器网络中加入大核深度卷积，大核深度卷积与3
×
3卷积相结合，将局部信息和全局信息相结合。
[0010]一种结合大核卷积的相邻层特征融合Unet多器官分割方法，具体步骤如下：
[0011]S1、数据集划分
[0012]对影像数据集中包含标签的样本，随机划分为训练集和测试集；
[0013]S2、数据预处理
[0014]对数据集划分后的影响数据重采样，以消除来源不同的影像之间的差异、方便计算和比较影像中的特征：将3D的CT数据重新采样到相同的分辨率，其中图像样本采样使用双线性插值，标签样本使用临近插值；
[0015]对数据进行归一化，消除奇异样本数据导致的不良影响和加快网络训练收敛速度，公式如下：
[0016][0017]其中，R表示归一化处理后的CT数据，Wr和Hr表示CT数据经过归一化处理后分辨率的宽高，Zr表示切片数量，I表示归一化处理前的CT值，max(I)为最大CT值，min(I)为最小CT值；
[0018]以目标切片为中心并堆叠上下切片作为网络输入：首先在经过归一化处理后R的z轴上面选取目标切片，并以目标切片为中心进行相邻切片之间的堆叠，以Wr
×
Hr
×
s的大小作为网络的输入，其中s表示相邻切片堆叠的数量，如果堆叠的切片数量不够，则对应的进行镜像填充，整个过程如下：
[0019]假设i代表经过归一化处理后R中z轴位置上某个切片，则网络输入可以表示为：
[0020]X＝[i
‑
1,i,i+1][0021]其中，X表示网络的输入，Wr和Hr表示CT数据原始分辨率的宽高，当i
＝1，即i在R中z轴位置上开始的第一个切片时，X＝[1,1,i+1]；当i＝i
max
，即i在R中z轴位置上的最后一个切片时，X＝[i
‑
1,i
max
,i
max
]；
[0022]S3、数据采样
[0023]对步骤S2处理得到的数据X进行采样，即遍历X并进行顺序采样；顺序采样方式为以切片步长为S，从左往右，从上往下的方式在X上进行顺序采样，其中H和W分别表示切片的宽和高，若切片在采样过程中其超出X大小范围，则往回采样，若的H和W大于X的Wr和Hr，则以X为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其特征在于，对数据集包含标签的样本进行数据集划分、预处理数据、数据采样和数据增强后，构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型，构建相邻层特征融合模块，使得模型充分利用不同层特征之间的信息，得到更多细节的低层特征和更多语义的高层特征；构建大核GRN通道响应模块，对相邻层特征融合的特征进行长距离依赖性建模，在特征通道数增加的情况下，大核GRN通道响应模块则对融合特征的通道进行全局响应归一化，以此对通道进行对比和选择，利用融合后的特征，提高整个模型的分割性能。2.根据权利要求1所述的一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其特征在于，所述构建结合大核深度卷积的相邻层特征融合UNet多器官分割模型包括：构建编码器网络、解码器的基础网络、相邻层特征融合模块和大核GRN通道响应模块；在编码器网络中加入大核深度卷积，大核深度卷积与3
×
3卷积相结合，将局部信息和全局信息相结合。3.根据权利要求1或2所述一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其特征在于，具体包括以下步骤：S1、数据集划分对影像数据集中包含标签的样本，随机划分为训练集和测试集；S2、数据预处理对数据集划分后的影响数据重采样，以消除来源不同的影像之间的差异、方便计算和比较影像中的特征：将3D的CT数据重新采样到相同的分辨率，其中图像样本采样使用双线性插值，标签样本使用临近插值；对数据进行归一化，消除奇异样本数据导致的不良影响和加快网络训练收敛速度，公式如下：其中，R表示归一化处理后的CT数据，Wr和Hr表示CT数据经过归一化处理后分辨率的宽高，Zr表示切片数量，I表示归一化处理前的CT值，max(I)为最大CT值，min(I)为最小CT值；以目标切片为中心并堆叠上下切片作为网络输入：首先在经过归一化处理后R的z轴上面选取目标切片，并以目标切片为中心进行相邻切片之间的堆叠，以Wr
×
Hr
×
s的大小作为网络的输入，其中s表示相邻切片堆叠的数量，如果堆叠的切片数量不够，则对应的进行镜像填充，整个过程如下：假设i代表经过归一化处理后R中z轴位置上某个切片，则网络输入可以表示为：X＝[i
‑
1,i,i+1]其中，X表示网络的输入，Wr和Hr表示CT数据原始分辨率的宽高，当i＝1，即i在R中z轴位置上开始的第一个切片时，X＝[1,1,i+1]；当i＝i
max
，即i在R中z轴位置上的最后一个切片时，X＝[i
‑
1,i
max
,i
max
]；S3、数据采样对步骤S2处理得到的数据X进行采样，即遍历X并进行顺序采样；顺序采样方式为以切
片步长为S，从左往右，从上往下的方式在X上进行顺序采样，其中H和W分别表示切片的宽和高，若切片在采样过程中其超出X大小范围，则往回采样，若的H和W大于X的Wr和Hr，则以X为中心向周围填充；S4、数据增强进行数据增广来扩充训练数据，避免使用少样本训练引起过拟合现象，数据增强按照概率对步骤S3处理得到的数据进行水平翻转、垂直翻转、
‑
90度和90度之间的旋转和水平左右平移方式实现数据增强；S5、构建结合大核深度卷积的相邻层特征融合Unet多器官分割网络，并命名为ASF
‑
LKUNet；S6、训练步骤S5构建的ASF
‑
LKUNet分割网络；S7、用步骤S1中的测试集和步骤S3处理得到数据，对步骤S7中训练得到最优模型进行测试，利用DSC系数和豪斯多夫距离(HD95)对模型的分割性能进行量化评价；其中，HD95是计算两个集合之间的距离，值越小，代表两个集合的距离越小；其计算方式为：计算两个集合之间的距离，值越小，代表两个集合的距离越小；其计算方式为：计算两个集合之间的距离，值越小，代表两个集合的距离越小；其计算方式为：其中，为标签特征图Y和分割特征图之间的单向豪斯多夫距离，为分割特征图和标签特征图Y之间的单向豪斯多夫距离，max(
·
)为计算出Y和边界点之间距离，将距离从小到大排序之后，取排序在95％之前的排序距离；根据DSC系数和HD95，若DSC系数越高和HD95越低，则代表模型分割性能越好，以此来综合评价模型的分割性能。4.根据权利要求3所述一种结合大核卷积的相邻层特征融合Unet多器官分割方法，其特征在于，所述步骤S3数据采样的具体过程如下：S301.首先，计算X在x和y轴的填充长度，则有：P
x
＝(S
x
‑
((H
r
‑
H)modS
x
)modS
x
P
y
＝(S
y
‑
((W
r
‑
W)modS
y
)modS
y
其中，P
x
为X在x轴的填充长度，P
y
为X在y轴填充长度，S
x
和S
y
表示在采样过程中x和y方向的步长，S
x
和S
y
取相同步长，mod表取余数，Hr和Wr表示CT数据原始分辨率的宽高，W和H表示切片的宽高，若的H和W大于X的Hr和Wr，则在X的x和y轴分别填充P
x
和P
y
长度，若H大于Hr，则在X的x分别填充P
x
，若W大于Wr，则在X的y分别填充P
y
；S302.根据步骤S301，计算x轴和y轴方向上的切片数量；假设在x方向上的切片数量为N
x
，其计算方式可以表示为：N
x
＝(H
r
+P
x
‑
H)|S
x
+1其中，|代表整除；在y方向上的切片数量N
y
，其计算方式可以表示为：N
y
＝(H
r
+P
y
‑
H)|S
y
+1
S303.根据和S计算坐标，则在x方向的坐标x
′
可表示为：x
′
＝[x
′1,x
′2,...,x
′
i
,....,x
′
n
]其中，x
′
i
＝(i
‑
1)*S
x
,i＝1,...,n，n表示在x方向上的切片数量N
x
，当i＝n时，x
′
n
＝Wr
‑
W；在y方向的坐标y
′
可表示为：y
′
＝[y
′1,y
′2,...,y
′
i
,....,y
′
n
]其中y
′
i
＝(i
‑
1)*S
y
,i＝1,...,n，n表示在y方向上的切片数量N
y
，当i＝n时，y
′
n
＝Hr
‑
H；S304.用切片步长S，在X的xy方向上从左往右，从上往下顺序采样，采样得到切片B，其具体过程如下：根据步骤S303的x
′
和y
′
...

【专利技术属性】
技术研发人员：王蓉芳，牟钊汕，郝红侠，缑水平，焦昶哲，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：