【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u-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。传统的unet网络是一个u型结构，主要由编码器、解码器和跳跃连接三部分组成，编码器由5组卷积模块和下采样模块搭建而成，通过卷积和下采样操作能提取出特征图的上下文信息，而解码器则由4组反卷积模块和上采样模块构建而成，通过反卷积和上采样操作能恢复特征图的分辨率。最后通过跳跃连接连接编码器和解码器的每一层级，因为在多次卷积过后特征图有可能会丢失一部分空间信息，所以可以通过跳跃连接将编码器富含上下文信息的特征图与解码器的特征图进行结合来减少空间信息的丢失，从而提高语义分割的准确率，正因如此，unet成为一种广泛应用于医学图像分割的u形卷积神经网络。
4、但unet网络在分割肝脏和肿瘤的过程中，由于肿瘤是呈弥漫式分布，并且有些肿瘤比较小，因此简单的卷积操作无法准确分割出所有的肿瘤，对肝脏边缘的分割也不够准确。
技术实现思路
1、针对现有技术中简单的卷积
2、一种基于改进u-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u-net网络架构，通过使用res2net和swin transforme的res2swin模块来替换卷积模块对u-net网络进行改进，构建出res2swin unet模型；其中，所述res2swin unet模型的编码器包括两个3×3卷积模块和四个res2swi n模块；所述res2swin模块包括三个1×1卷积模块、一个attentionres2模块和一个swin transformer模块；
5、将待检测的ct图像数据集输入至res2swin unet模型的编码层中，通过两个1×1卷积核生成两个特征图；
6、将两个特征图分别输入attentionres2模块和swin transformer模块后，得到两个模块的输出特征图；
7、对两个模块的输出特征图进行拼接后，通过一个1×1卷积核进行融合；
8、将融合后的特征图传递至解码器中，输出特征图像；
9、根据输出特征图像，得到肝肿瘤分割结果的图像。
10、进一步地，还包括对所述ct图像数据集进行预处理，所述ct图像包含有多个切片，其预处理具体步骤包括：
11、将单张切片和其相邻两张切片作为res2swin unet模型的输入，输出该单张切片的预测；
12、对ct图像进行hu值截断后，以肝脏为中心对切片进行裁剪，裁剪大小为3×480×480，在处理的过程中随机ct图像进行上下翻转和左右旋转。
13、进一步地，所述将两个特征图分别输入attentionres2模块和swin transfor mer模块后，得到两个模块的输出特征图；其具体步骤包括：
14、输入特征图经过一个1×1卷积核运算后，按通道拆分成四部分；
15、将每一部分与左边的特征图经过attention gate来融合；
16、将融合后的特征图通过一个3×3的卷积核运算并输出；
17、对输出的特征图进行拼接；
18、拼接后的特征图使用1×1卷积核融合输出后与残差连接分支的输出进行相加。
19、进一步地，所述swin transformer模块包括layernorm层、多头自注意力模块、残差连接和两层mlp。
20、进一步地，所述res2swin unet模型的解码器中引入深度监督机制，用于加强对模型的监督以及加快模型的收敛速度；其具体步骤包括：
21、将解码器自下而上的前三个层级输出的特征图通过一个3×3的卷积模块和一个上采样模块还原成金标准尺寸；
22、根据输出的结果与金标准计算损失值；
23、将得到的损失值与res2swin unet模型最后的输出和金标准计算所得到的损失值进行加权相加，并通过反向传播来监督早期层。
24、进一步地，所述res2swin unet模型采用将dice函数和二元交叉熵函数bce按一定比例系数ɑ进行加权后得到的损失函数，其表达式为：
25、loss＝α×bceloss+(1-α)×diceloss。
26、进一步地，所述二元交叉熵函数的表达式为：
27、
28、其中，p(i)表示预测结果中第i个像素属于目标的概率，g(i)表示金标准的第i个像素的值，n表示图像像素数量。
29、进一步地，所述dice函数的表达式为：
30、
31、
32、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。
33、进一步地，通过最小化dice loss函数的值来优化所述res2swin unet模型的参数。
34、进一步地，采用准确率accuracy和召回率recall作为所述res2swin unet模型的评价指标；其中，所述召回率recall为正确检测到的正像素占所有正像素的比例；其表达式为：
35、
36、其中，tp代表正确检测到的正像素数量，fn代表未检测到的正像素数量；
37、所述准确率accuracy为图像中被正确预测的像素占所有像素的比例，其表达式为：
38、
39、其中，fp代表被错误预测为正的像素数量，tn代表被正确预测为负的像素数量。
40、本专利技术提供了一种基于改进u-net网络的肝肿瘤图像分割方法，具备以下
41、有益效果：
42、本专利技术提出一种res2swin unet模型用于肝脏和肿瘤分割，通过将attenti onres2模块和swin transformer模块集成到unet架构中，以提高分割精度；其中，attentionres2模块将特征图按通道进行划分，使用attention g本文档来自技高网...
【技术保护点】
1.一种基于改进U-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U-Net网络的肝肿瘤图像分割方法，其特征在于，在将待检测的CT图像数据集输入至Res2Swin Unet模型的编码层中之前，还包括对所述CT图像数据集进行预处理，所述CT图像包含有多个切片，其预处理具体步骤包括：
3.根据权利要求1所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，所述将两个特征图分别输入AttentionRes2模块和Swin Transform er模块后，得到两个模块的输出特征图；其具体步骤包括：
4.根据权利要求1所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，所述Swin Transformer模块包括LayerNorm层、多头自注意力模块、残差连接和两层MLP。
5.根据权利要求1所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，所述Res2Swin Unet模型的解码器中引入深度监督机制，用于加强对模型的监督以及加快模型的收敛速度；其具体
6.根据权利要求1所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，所述Res2Swin Unet模型采用将Dice函数和二元交叉熵函数BC E按一定比例系数ɑ进行加权后得到的损失函数，其表达式为：
7.根据权利要求6所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，所述二元交叉熵函数的表达式为：
8.根据权利要求6所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，所述Dice函数的表达式为：
9.根据权利要求8所述的一种基于改进U-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Res2Swin Unet模型的参数。
10.根据权利要求1所述的一种基于改进U-Net网络的肝肿瘤图像分割方法，其特征在于，采用准确率Accuracy和召回率Recall作为所述Res2Swin Unet模型的评价指标；其中所述召回率Recall为正确检测到的正像素占所有正像素的比例；其表达式为：
...【技术特征摘要】
1.一种基于改进u-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u-net网络的肝肿瘤图像分割方法，其特征在于，在将待检测的ct图像数据集输入至res2swin unet模型的编码层中之前，还包括对所述ct图像数据集进行预处理，所述ct图像包含有多个切片，其预处理具体步骤包括：
3.根据权利要求1所述的一种基于改进u-net网络的肝肿瘤图像分割方法，其特征在于，所述将两个特征图分别输入attentionres2模块和swin transform er模块后，得到两个模块的输出特征图；其具体步骤包括：
4.根据权利要求1所述的一种基于改进u-net网络的肝肿瘤图像分割方法，其特征在于，所述swin transformer模块包括layernorm层、多头自注意力模块、残差连接和两层mlp。
5.根据权利要求1所述的一种基于改进u-net网络的肝肿瘤图像分割方法，其特征在于，所述res2swin unet模型的解码器中引入深度监督机制，用于加强对模型的监督以及加快...
【专利技术属性】
技术研发人员：李福芳，罗满林，李媛婷，徐锦宏，苏志雄，
申请(专利权)人：广东医通软件有限公司，
类型：发明
国别省市：
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。