【技术实现步骤摘要】
本申请一般涉及医疗影像，尤其涉及一种肿瘤分割神经网络及分割ct图像中肿瘤的方法。
技术介绍
1、随着人口老龄化现象的加剧，癌症患者数量也逐渐增多。为了尽早对癌症患者进行有效的治疗，需要对患病部位的肿瘤进行精确的刻画。传统的方法是用ct成像技术拍摄患病部位的三维ct图像，然后通过人工对图像中肿瘤的轮廓进行界定(此项工作也可称为对肿瘤的“分割”)，最后通过三维建模系统根据描绘出的肿瘤轮廓，建立相应的肿瘤三维模型，以供医疗人员参考和使用。但随着对肿瘤三维模型精准度和效率要求的提升，人工分割已不能满足相应的要求。近些年兴起的卷积神经网络技术已被普遍应用于肿瘤分割工作中，通过针对性的建立相应的卷积神经网络，并对其进行训练，即可将肿瘤分割的精确度提升至较高水平。但现有的相关神经网络由于其整体架构中，仅有一个模块用于对ct图像中的肿瘤进行分割，因此不论对该神经网络如何训练，其每次分割得到的肿瘤三维模型与实际中肿瘤的构型总会存在相对较大的误差。因此如何改进神经网络，可以通过提升其单次处理中对肿瘤分割的精度，以提升训练后神经网络对肿瘤分割的整体精度，已成为本领域亟待解决的问题。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足，期望提供一种可以提升神经网络对肿瘤分割整体精度的肿瘤分割神经网络及分割ct图像中肿瘤的方法。
2、具体技术方案如下：
3、第一方面
4、本申请提供一种肿瘤分割神经网络，包括：
5、粗分割模块，所述粗分割模块用于在任意一次对包含有
6、图像融合模块，所述图像融合模块用于将所述粗分割模型与所述原图像进行融合，以得到待二轮分割图像；
7、细分割模块，所述细分割模块用于对所述待二轮分割图像进行进一步分割，以获取用于进一步刻画肿瘤轮廓的细分割模型；在分割前，所述细分割模块还对所述待二轮分割图像中所述粗分割模型以内体素的当前置信度配以第一系数，并对以外体素的当前置信度配以第二系数，二者均用于与相应的当前置信度相乘，以获取相应的新置信度；其中，所述第一系数大于所述第二系数。
8、作为本申请的进一步限定，所述细分割模块中具体包括：
9、粗分割单元，所述粗分割单元与所述粗分割模块结构相同，用于对所述待二轮分割图像进行特征提取和特征恢复；
10、位置感知注意力单元，所述位置感知注意力单元连接于所述粗分割单元，用于对所述粗分割单元在所述待二轮分割图像中提取到的特征信息进行筛选，并获取多尺度特征信息和方向感知位置敏感信息。
11、第二方面
12、本申请提供一种分割ct图像中肿瘤的方法，包括如下步骤：
13、根据权利要求1或2所述的肿瘤分割神经网络的架构，构建包含有一个学生神经网络和一个教师神经网络的半监督学习神经网络框架；
14、分别构建用于训练学生神经网络的第一训练集，以及用于训练教师神经网络的第二训练集，其中所述第一训练集中包括：一部分肿瘤已被分割的ct图像及其标注，记为第一图像、肿瘤未被分割的ct图像，记为第二图像，和所述第一图像中用于表征肿瘤分割位置详情的数据，记为第一数据；所述第二训练集中包括所述第二图像；
15、将所述第一训练集输入所述学生神经网络对其进行训练，并对所述学生神经网络进行参数更新，直至其收敛；
16、将所述第二训练集输入所述教师神经网络对其进行训练，并对所述教师神经网络进行参数更新，直至其收敛；
17、以收敛后的所述教师神经网络对待分割ct图像进行肿瘤部位分割。
18、作为本申请的进一步限定，所述对所述学生神经网络进行参数更新，直至其收敛，具体包括如下步骤：
19、在每次训练中，获取所述学生神经网络的最小化分割损失；
20、在每次训练中，获取所述学生神经网络与所述教师神经网络的一致性损失；
21、根据所述最小化分割损失和所述一致性损失，在每次训练后对所述学生神经网络进行参数更新，直至其收敛。
22、作为本申请的进一步限定，所述获取所述学生神经网络与所述教师神经网络的一致性损失，具体包括如下步骤：
23、针对所述学生神经网络输出的肿瘤分割模型，设定肿瘤分割模型的体素可靠区域；
24、在所述体素可靠区域内获取所述一致性损失时，不对获取的结果进行加权；
25、在所述体素可靠区域外获取所述一致性损失时，对获取的结果进行加权。
26、作为本申请的进一步限定，所述在所述体素可靠区域外获取所述一致性损失时，对获取的结果进行加权，具体包括如下步骤：
27、定义所述体素可靠区域外的区域为体素不可靠区域，计算所述体素不可靠区域的预测熵；
28、根据所述预测熵推导出所述体素不可靠区域的不确定性约束因子；
29、以所述不确定性约束因子对在所述体素不可靠区域内获取获取的所述一致性损失结果进行加权。
30、作为本申请的进一步限定，对所述教师神经网络进行参数更新，直至其收敛，具体包括如下步骤：
31、在每次训练中，获取所述学生神经网络的参数，记为学生参数；
32、对所述学生参数进行指数平均移动，以获取待更新教师参数；
33、以所述待更新教师参数对所述教师神经网络当前的参数进行更新，直至其收敛。
34、本申请有益效果在于：
35、首先，对于ct图像的分割，本质上是对ct图像中各体素的置信度是否大于50％进行判断，而ct图像中各体素的置信度与其hu值相关，二者为一一对应的关系。为了提升神经网络每次对肿瘤分割的精度，本申请给出的肿瘤分割神经网络内部设置了粗分割模块、图像融合模块和细分割模块，当输入待分割的原ct图像后，先由粗分割模块对其进行初步分割，以得到粗分割模型，该粗分割模型是对于原ct图像中肿瘤轮廓的初步刻画，其中必然包括一些非肿瘤区域的体素也被划分到该粗分割模型中的情况，与现有技术中情况一致。然后，再将该粗分割模型与原ct图像进行融合，以得到具有粗分割区域的待二轮分割图像，其中粗分割区域表示原ct图像中已由粗分割模块分割出的区域。细分割模块首先通过对所述待二轮分割图像中粗分割区域内外体素的置信度赋予不同的系数的方式将注意力着重分配于粗分割区域内，之后再对所述待二轮分割图像进行二次分割。综上所述，该肿瘤分割神经网络一方面在每次分割中额外增加一次分割动作；另一方面，在第二次分割过程中利用第一次分割的结果，对分割时的注意力进行分配，均提升了单次对ct图像中各体素置信度判断的准确性。因此使用本方案架构下的神经网络，对ct图像中患病位置处肿瘤的分割更为精确，更有利于辅助医疗人员对患者的治疗。
本文档来自技高网...【技术保护点】
1.一种肿瘤分割神经网络，其特征在于，包括：
2.根据权利要求1所述的肿瘤分割神经网络，其特征在于，所述细分割模块中具体包括：
3.一种分割CT图像中肿瘤的方法，其特征在于，包括如下步骤：
4.根据权利要求3所述的分割CT图像中肿瘤的方法，其特征在于，所述对所述学生神经网络进行参数更新，直至其收敛，具体包括如下步骤：
5.根据权利要求4所述的分割CT图像中肿瘤的方法，其特征在于，所述获取所述学生神经网络与所述教师神经网络的一致性损失，具体包括如下步骤：
6.根据权利要求5所述的分割CT图像中肿瘤的方法，其特征在于，所述在所述体素可靠区域外获取所述一致性损失时，对获取的结果进行加权，具体包括如下步骤：
7.根据权利要求6所述的分割CT图像中肿瘤的方法，其特征在于，对所述教师神经网络进行参数更新，直至其收敛，具体包括如下步骤：
【技术特征摘要】
1.一种肿瘤分割神经网络，其特征在于，包括：
2.根据权利要求1所述的肿瘤分割神经网络，其特征在于，所述细分割模块中具体包括：
3.一种分割ct图像中肿瘤的方法，其特征在于，包括如下步骤：
4.根据权利要求3所述的分割ct图像中肿瘤的方法，其特征在于，所述对所述学生神经网络进行参数更新，直至其收敛，具体包括如下步骤：
5.根据权利要求4所述的分割ct图...
【专利技术属性】
技术研发人员：刘卫朋，祁业东，朱海星，李旭昊，
申请(专利权)人：河北工业大学，
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。