基于制造技术

本发明专利技术属于

【技术实现步骤摘要】
基于U
‑
Net和SENet实现直肠癌CT图像的分割与分类方法


[0001]本专利技术涉及
CT
图像的分割与分类方法的
，尤其涉及基于
U
‑
Net
和
SENet
实现直肠癌
CT
图像的分割与分类方法
。

技术介绍

[0002]直肠癌是指从齿状线至直肠乙状结肠交界处之间产生的癌变，是临床常见的恶性肿瘤，属于一种消化系统恶性肿瘤，具有较高的发病率和死亡率
。
直肠癌是消化道最常见的恶性肿瘤之一，相关数据显示，世界各国每年新发直肠癌患者数量超过
120
万，其中死亡患者将近
60
万，死亡率接近
50%。
我国大多数直肠癌患者在确诊时就已经是中晚期，所以直肠癌的早期诊断以及治疗对提高患者治愈率有着至关重要的作用
。
目前对于直肠癌术前分期的判定，主要通过影像学检查实现，其中
CT
扫描速度快
、
扫描范围广，但是因为直肠壁层次结构比较难分辨，使得术前
T
分期诊断的准确性受到很大程度的影响，并且肿瘤的分割主要依赖医生主观分出，导致分割的主观性比较强并且成本较大
。
所以准确快速地在直肠癌
CT
图像中完成肿瘤分割并确定
T
分期对直肠癌临床治疗有很大帮助
。
[0003]随着近年来深度学习技术的发展，尤其是卷积神经网络的发展深入，使得其在医学图像分割算法领域取得了很多可观的成果
。
尤其是
2015
年全卷积神经网络的提出实现了端到端的图像分割，将图像分类提升到了像素级
。
就卷积神经网络而言，其中的卷积层可以识别到上一层的局部图案数据，池化层可以减小表示的维数，从而增加感受野的同时还可以抵抗噪声
。
因此深度学习使得其在协助医生诊断直肠癌上起到了可观的帮助作用，在医学影响领域具有重要意义
。

技术实现思路

[0004]为克服现有肿瘤的分割主要依赖医生主观分出，导致分割的主观性比较强并且成本较大的技术缺陷，本专利技术提供了一种基于
U
‑
Net
和
SENet
实现直肠癌
CT
图像的分割与分类方法；基于
U
‑
Net
卷积神经网络对收集的直肠癌
CT
图像进行分割，在此基础上使用
SENet
神经网络对分割好的
CT
图像进行分类，使得直肠癌
CT
图像经过神经网络的处理后能够更有利于临床医生对直肠癌的
T
分期的识别和判断，进而提出更为有效的治疗方案
。
[0005]本专利技术提供了基于
U
‑
Net
和
SENet
实现直肠癌
CT
图像的分割与分类方法，包括以下步骤：步骤一
、
图像预处理：需要对原始的直肠癌
CT
图像进行裁剪，对图像进行扩大或缩小比例使肿瘤区域包含于图像内，然后对直肠癌
CT
图像进行直方图均衡化，将原始图像的灰度图转变为均匀分布，之后再对直肠癌
CT
图像进行标准归一化处理；步骤二
、
利用改进后的
U
‑
Net
卷积神经网络进行图像分割：原始的
U
‑
Net
卷积神经网络包括
Encoder
阶段和
Decoder
阶段，改进时，首先对
Encoder
阶段每一层编码模块设置
padding
值，然后在
Encoder
阶段相邻编码模块的采样过程中分别加入注意力模块，注意力模块从前到后依次包括
Global pooling
层
、
两个全连接层和
ReLu
层，上一编码模块的输出
通过
Global pooling
层对特征图进行池化，再通过两个全连接层学习通道的权重，之后通过
ReLu
层中
ReLu
函数激活，最终将原始的特征图与
ReLu
层最后的输出进行
Scale
操作，改进后的
U
‑
Net
卷积神经网络中，
Encoder
阶段包括七层编码器，
Decoder
阶段包括六层解码器；采用随机梯度下降法对改进后的
U
‑
Net
卷积神经网络进行训练，框架为
Caffee
，输入为单个图像；通过改进后的
U
‑
Net
卷积神经网络对输入的特征图中的每个像素进行分类，将每个像素分配到不同的类别；步骤三
、
通过嵌入了
SENet
的
ResNet
卷积神经网络对分割好的图像进行分类，最终输出图像的
T
期分类结果
。
[0006]本专利技术中，利用改进后的
U
‑
Net
卷积神经网络进行图像分割时，通过
Encoder
部分提取图像的高级特征，然后通过
Decoder
部分将这些特征映射回输入图像的大小，同时利用跳跃连接来融合不同尺度的信息，从而在图像分割任务中取得了良好的性能
。
本申请中对
Encoder
结构做的第一步改进就是设置适当的
padding
值使其在每次进行下采样前保持图像尺寸不变，保证图像信息不丢失，使得图像在具体执行下采样前保持原有的分辨率
。
其次，在下采样的过程中，为了能够保留图像的关键特征，使得网络能够更好学习图像特征，本申请还在下采样过程中分别加入注意力模块，通过
Global pooling
层对特征图进行池化，再通过两个全连接层学习通道的权重，之后通过
ReLu
函数激活并与原始特征图进行
Scale
操作，
Scale
操作会将每个通道的特征值乘以对应的注意力权重
。
如果一个通道的注意力权重较高，那么它的特征响应将会被放大，以增强网络对这个通道的关注；相反，如果一个通道的注意力权重较低，那么它的特征响应将被减小，以减弱网络对这个通道的关注
。
这种注意力机制有助于网络更好地选择和利用输入特征图中的信息，提高了网络的表示能力和泛化能力
。
除此之外，在原有网络结构基础上，本专利技术还新增了两层下采样层以及对应的上采样层，为了能够更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
U
‑
Net
和
SENet
实现直肠癌
CT
图像的分割与分类方法，其特征在于，包括以下步骤：步骤一
、
图像预处理：需要对原始的直肠癌
CT
图像进行裁剪，对图像进行扩大或缩小比例使肿瘤区域包含于图像内，然后对直肠癌
CT
图像进行直方图均衡化，将原始图像的灰度图转变为均匀分布，之后再对直肠癌
CT
图像进行标准归一化处理；步骤二
、
利用改进后的
U
‑
Net
卷积神经网络进行图像分割：原始的
U
‑
Net
卷积神经网络包括
Encoder
阶段和
Decoder
阶段，改进时，首先对
Encoder
阶段每一层编码模块设置
padding
值，然后在
Encoder
阶段相邻编码模块的采样过程中分别加入注意力模块，注意力模块从前到后依次包括
Global pooling
层
、
两个全连接层和
ReLu
层，上一编码模块的输出通过
Global pooling
...

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，王昱栋，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：