【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体涉及一种基于改进v-net网络的肝肿瘤图像分割方法。
技术介绍
1、肝脏是人体内最重要的器官之一，其主要功能是合成、储存和代谢物质，如蛋白质、糖类、脂类和胆固醇等，同时也具有解毒和排泄废物等重要作用。然而，肝脏疾病和肝肿瘤的发生和发展会对其正常功能产生极大的影响，严重威胁人类的健康和生命安全。
2、ct成像技术在肝癌的检测和诊断方面发挥着重要作用，其高空间分辨率和快速的扫描速度可以提供清晰的肝脏图像，帮助医生诊断肝肿瘤。
3、近年来，神经网络在医学图像分割领域的应用越来越广泛，针对ct影像的三维结构，通常会采用3d卷积网络来对图像进行处理，其中最常见的就是使用vnet来进行图像分割。vnet是一种常用于医学图像分割的卷积神经网络，如图2-7所示，它由编码器和解码器组成了一种全卷积网络结构，通过在不同层级提取特征并进行特征融合，可以在图像分割任务中取得较好的性能。在编码器中，通过使用卷积、池化等操作对原始图像进行多次下采样，从而提取出图像的多层次特征。在解码器中，通过上采样、反卷积等操作将编码器提取到的特征映射恢复到原始图像尺寸，并且将不同层次的特征融合在一起，生成最终的分割结果。为了提高网络的鲁棒性和泛化能力，vnet还引入了跳跃连接，跳跃连接机制的作用是为了解决深度神经网络在信息处理时可能出现的信息丢失或误差累积问题，通过跳跃连接，vnet可以在编码器和解码器中对应的层之间建立直接的连接，使得下采样(编码器)和上采样(解码器)之间的特征信息可以在不同层之间直接传递，从而更
4、vnet在医学图像分割方面具有相对于其他模型的优势。但是，vnet在编码器和解码器之间采用简单的跳跃连接相连，将编码器的特征图直接传递给解码器，虽然这有助于图像的恢复重建，但也会导致特征图一部分信息的丢失，同时，vnet也没有较强的全局建模能力来识别出足够的小目标信息。上述两点导致vnet在分割肝肿瘤时容易忽略掉对小肿瘤的分割和导致形状分割不完整等情况。
技术实现思路
1、针对现有技术中vnet在分割肝肿瘤时容易忽略掉对小肿瘤的分割和导致形状分割不完整的不足，本专利技术提供了一种基于改进v-net网络的肝肿瘤图像分割方法，使用hdc-aspp模块代替vnet中的跳跃连接，并通过transformer模块利用自注意力机制强大的全局建模能力，让模型更好地理解图像不同区域的相关性，获得更丰富的特征表示，提高了对肝肿瘤的分割精度，从而解决现有技术中存在在分割肝肿瘤时容易忽略掉对小肿瘤的分割和导致形状分割不完整的问题。
2、一种基于改进v-net网络的肝肿瘤图像分割方法，包括以下步骤：
3、获取腹部待检测的ct图像数据集；
4、基于v-net网络集成transformer和hdc-aspp模块对其进行改进，构建出ta-vnet模型；
5、通过将待检测的ct图像数据集输入至ta-vnet模型的编码层中，依次经过卷积层、transformer模块和feature mapping模块进行处理，得到特征图；
6、将处理后的特征图经过transformer模块处理后传递至解码器，解码器输出最终的特征图像；
7、根据最终的特征图像，得到肝肿瘤分割结果的图像；
8、其中，所述基于v-net集成transformer和hdc-aspp模块对其进行改进，其具体包括：
9、将v-net网络中编码器与解码器底部连接处的卷积层替换为transformer模块；
10、基于hdc对aspp进行重构，得到hdc-aspp模块，将v-net网络中的简单跳跃连接替换为hdc-aspp模块。
11、进一步地，还包括对所述ct图像数据集进行预处理，所述预处理措施包括hu值截断、中值滤波和直方图均衡化、重采样和标签处理。
12、进一步地，所述ta-vnet模型包括编码器、解码器和hdc-aspp模块；所述编码器包括：4组卷积层、transformer模块和feature mapping模块；其中每一个卷积层均包括卷积核、残差连接和下采样卷积核。
13、进一步地，所述解码器包括4组卷积层，其中每一个卷积层均包括卷积核、残差连接和上采样卷积核。
14、进一步地，所述通过将待检测的ct图像数据集输入至ta-vnet模型的编码层中，依次经过卷积、transformer模块和feature mapping模块进行处理，其处理步骤包括：
15、通过将图像数据输入编码器中，采用残差连接将每个卷积层当前层的输入特征图和经过当前层卷积运算后的输出特征图相加，得到处理后的特征图；
16、通过transformer模块将处理后的特征图转化成长序列数据；
17、对长序列数据进行位置编码；
18、位置编码后的长序列数据经过多头自注意力机制运算和全连接层映射得到图像长序列；
19、通过feature mapping模块将图像长序列按照通道和空间维度进行分离，并将分离后的图像长序列恢复成特征图；
20、将恢复后的特征图传递至解码层。
21、进一步地，在通过feature mapping模块将图像长序列按照通道和空间维度进行分离，并将分离后的图像长序列恢复成特征图后，还包括通过卷积和上采样对恢复后的特征图进一步处理，将处理后的特征图传递至解码层。
22、进一步地，所述hdc-aspp模块通过将输入的特征图输入多个具有不同空洞率的卷积核进行运算，获得的特征表示，并且将特征表示进行融合，输出特征图。
23、进一步地，还包括在dice loss函数后面加上l2范数表示的惩罚项其中，λ是代表正则化强度的参数，n代表训练集样本数量，wi是模型的权重向量；则得到所述ta-vnet模型的损失函数为：
24、
25、进一步地，通过最小化dice loss函数的值来优化所述ta-vnet模型的参数，其所述dice loss函数的表达式为：
26、
27、
28、其中a表示预测结果的集合，b表示真实标签的集合，|a|和|b|分别表示它们的元素个数，|a∩b|表示它们的交集元素个数。
29、进一步地，所述ta-vnet模型通过采用平均dice系数、全局dice系数、jaccard相似度、体积重叠误差voe和对称位置的平均表面距离assd五个评价指标来评价该网络模型的性能；其中所述平均dice系数用于计算预测结果x和标准结果y的重叠指数；所述全局dice系数将样本dice系数的分子的累加除以分母的累加；所述jaccard相似度计算的是两个集合元素的本文档来自技高网...
【技术保护点】
1.一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，还包括对所述CT图像数据集进行预处理，所述预处理措施包括Hu值截断、中值滤波和直方图均衡化、重采样和标签处理。
3.根据权利要求1所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，所述TA-VNet模型包括编码器、解码器和HDC-ASPP模块；所述编码器包括4组卷积层、Transformer模块和Feature Mapping模块，其中每一个卷积层均包括卷积核、残差连接和下采样卷积核。
4.根据权利要求3所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，所述解码器包括4组卷积层，其中每一个卷积层均包括卷积核、残差连接和上采样卷积核。
5.根据权利要求1所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，所述通过将待检测的CT图像数据集输入至TA-VNet模型的编码层中，依次经过卷积、Transformer模块和Feature
6.根据权利要求5所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，在通过Feature Mapping模块将图像长序列按照通道和空间维度进行分离，并将分离后的图像长序列恢复成特征图后，还包括通过卷积和上采样对恢复后的特征图进一步处理，将处理后的特征图传递至解码层。
7.根据权利要求1所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，所述HDC-ASPP模块通过将输入的特征图输入多个具有不同空洞率的卷积核进行运算，获得的特征表示，并且将特征表示进行融合，输出特征图。
8.根据权利要求1所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，还包括在Dice Loss函数后面加上L2范数表示的惩罚项其中，λ是代表正则化强度的参数，n代表训练集样本数量，wi是模型的权重向量；则得到所述TA-VNet模型的损失函数为：
9.根据权利要求8所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，通过最小化Dice Loss函数的值来优化所述TA-VNet模型的参数，其所述Dice Loss函数的表达式为：
10.根据权利要求9所述的一种基于改进V-Net网络的肝肿瘤图像分割方法，其特征在于，所述TA-VNet模型通过采用平均Dice系数、全局Dice系数、Jaccard相似度、体积重叠误差VOE和对称位置的平均表面距离ASSD五个评价指标来评价该网络模型的性能；
...【技术特征摘要】
1.一种基于改进v-net网络的肝肿瘤图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进v-net网络的肝肿瘤图像分割方法，其特征在于，还包括对所述ct图像数据集进行预处理，所述预处理措施包括hu值截断、中值滤波和直方图均衡化、重采样和标签处理。
3.根据权利要求1所述的一种基于改进v-net网络的肝肿瘤图像分割方法，其特征在于，所述ta-vnet模型包括编码器、解码器和hdc-aspp模块；所述编码器包括4组卷积层、transformer模块和feature mapping模块，其中每一个卷积层均包括卷积核、残差连接和下采样卷积核。
4.根据权利要求3所述的一种基于改进v-net网络的肝肿瘤图像分割方法，其特征在于，所述解码器包括4组卷积层，其中每一个卷积层均包括卷积核、残差连接和上采样卷积核。
5.根据权利要求1所述的一种基于改进v-net网络的肝肿瘤图像分割方法，其特征在于，所述通过将待检测的ct图像数据集输入至ta-vnet模型的编码层中，依次经过卷积、transformer模块和feature mapping模块进行处理，其处理步骤包括：
6.根据权利要求5所述的一种基于改进v-net网络的肝肿瘤图像分割方法，其特征在于，在通过feature ma...
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。