【技术实现步骤摘要】
本申请涉及智能医疗领域，具体涉及一种基于深度学习的肿瘤图像分割方法、系统、设备及计算机可读存储介质。
技术介绍
1、癌症是最常见的全球性健康问题之一，且发病年龄呈年轻化趋势，坚持早发现、早诊断、早治疗是降低癌症患者死亡率、提高预后生存率的重要手段。快速发展的医学影像技术为肿瘤的早期检测和诊断提供了有力支撑，并且计算机技术、图像处理和模式识别技术的迅速发展，减轻了临床医生的工作量，计算机辅助诊断(computer-aided detection，cad)系统应运而生，并且在肿瘤早期检测和诊断中起到越来越重要的作用。其中，肿瘤分割是计算机辅助诊断的重要模块，是肿瘤诊断、治疗方案制定和预后预测等工作的重要基础，然而，肿瘤可以出现在任何位置，大小参差不齐、形态复杂多变，肿瘤区域与背景组织的差异较小，且占整幅图像的面积过小，使得肿瘤图像的自动分割成为一个具有挑战性的任务。
技术实现思路
1、针对上述问题，本专利技术提出一种基于深度学习的肿瘤图像分割方法，具体包括：
2、获取肿瘤图像；
3、将所述肿瘤图像输至三维卷积模块中得到卷积特征；
4、所述卷积特征在通道维度中切分成m组特征，m为大于1的自然数；
5、所述m组特征分别通过不同尺度的神经网络生成多尺度特征；
6、基于所述多尺度特征进行分割得到分割结果。
7、进一步，所述不同尺度的神经网络是神经网络通过大小不同的卷积核对卷积特征进行特征提取得到多尺度特征；
8
9、优选地，所述空洞卷积采用n种扩张比率进行特征提取得到不同尺度的特征，n为大于1的自然数；
10、优选地，所述卷积模块由三维卷积层、归一化层、relu激活层组成，所述图像依次经过所述三维卷积层、归一化层、relu激活层得到卷积特征。
11、将所述多尺度特征输至注意力模块中提取注意特征，所述注意特征与所述卷积特征通过跳跃连接进行特征拼接得到输出特征，基于所述输出特征进行分割得到分割结果；
12、优选地，所述注意力模块由通道注意力模块或空间注意力模块组成；
13、优选地，所述通道注意力模块中m种尺度的输入特征先通过全局平均池化压缩特征得到m种池化特征，m种池化特征进行特征拼接后通过全连接层生成多尺度融合特征，所述多尺度融合特征再分别与m种池化特征相加生成m种融合注意特征，所述融合注意特征与所述输入特征相乘后输至卷积层得到混合注意特征，所述混合注意特征与所述输入特征拼接后输至卷积层得到混合通道注意特征；
14、优选地，所述卷积层的卷积核大小采用下列的一种或几种：1×1×1、3×3×3；
15、优选地，所述空间注意力模块中m种尺度的输入特征先通过三维卷积层得到m种卷积特征，m种卷积特征进行特征拼接后通过三维卷积层生成多尺度融合特征，所述多尺度融合特征再分别与m种池化特征相加生成m种融合注意特征，所述融合注意特征与所述输入特征相乘后输至卷积层得到混合注意特征，所述混合注意特征与所述输入特征拼接后输至卷积层得到混合空间注意特征；
16、优选地，所述通道注意力模块/空间注意力模块处理m种尺度的特征得到混合通道注意特征/混合空间注意特征，m为大于1的自然数。
17、进一步，所述注意力模块由通道注意力模块和空间注意力模块组成，所述通道注意力模块与所述空间注意力模块并行处理不同尺度的特征得到混合通道注意特征、混合空间注意特征，所述混合通道注意特征与所述混合空间注意特征进行拼接得到注意特征。
18、所述方法还包括数据预处理，所述数据预处理中肿瘤图像统一为相同的层厚，再将图像裁切成固定尺寸的三维分块；
19、优选地，所述相同的层厚通过三线性插值法进行统一。
20、所述卷积特征得到多尺度特征的过程作为特征提取模块，将所述特征提取模块嵌入分割模型中进行分割；
21、优选地，所述分割模型采用的算法包括下列的一种或几种：mhau-net、u-net、u-net++、deeplab v3+、aau-net、voxsegnet、3d u-net、v-net、fcn、seggpt、pspnet、segnet、seem、3d-slic、3d-ncuts；
22、优选地，所述mhau-net由编码器、解码器组成，所述编码器包括特征提取模块、下采样模块，一个特征提取模块和一个下采样模块为一组编码块，所述解码器包括上采样模块、特征提取模块、卷积层，一个上采样模块和一个特征提取模块为一组解码块；肿瘤图像通过编码器中一个特征提取模块和n组相连的编码块进行编码得到编码特征，所述编码特征依次经过解码器中的n组解码块和卷积层，得到分割结果，其中，编码器中每一组得到的特征还通过跳跃连接与解码器中对应维度的组进行特征拼接，n为大于1的自然数；
23、优选地，所述下采样模块采用三维卷积进行下采样；所述上采样模块采用反卷积进行上采样。
24、所述分割采用的分割模型训练过程为：
25、获取肿瘤图像数据集及标签；
26、将所述肿瘤图像数据集及标签输至分割网络中进行训练得到分割模型；
27、优选地，所述分割模型通过最小化损失函数优化模型，所述损失函数采用交叉熵损失函数和/或dice损失函数；
28、优选地，所述交叉熵损失函数表示为：
29、
30、其中，m表示分割样本体素数量，y表示标签对应的真实值，表示网络生成的预测值；
31、优选地，所述dice损失函数表示为：
32、
33、其中，m表示分割样本体素数量，y表示标签对应的真实值，表示网络生成的预测值，∈为较小常量；
34、优选地，所述交叉熵损失函数与所述dice损失函数的混合损失函数表示为：
35、ltotal＝λ1lce+λ2ldice
36、其中，ltotal表示混合损失函数，lce，表示交叉熵损失，ldice表示dice损失，λ1和λ2为交叉熵损失和dice损失的权重。
37、本专利技术的目的在于提供一种基于深度学习的肿瘤图像分割系统，包括：
38、获取单元：获取肿瘤图像；
39、卷积单元：将所述肿瘤图像输至三维卷积模块中得到卷积特征；
40、切分单元：所述卷积特征在通道维度中切分成m组特征，m为大于1的自然数；
41、多尺度单元：所述m组特征分别通过不同尺度的神经网络生成多尺度特征；
42、分割单元：基于所述多尺度特征进行分割得到分割结果。
43、本专利技术的目的在于提供一种基于深度学习的肿瘤图像分割设备，包括：
44、存储器和处理器，所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现任意一项上述本文档来自技高网...
【技术保护点】
1.一种基于深度学习的肿瘤图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的肿瘤图像分割方法，其特征在于，所述不同尺度的神经网络是神经网络通过大小不同的卷积核对卷积特征进行特征提取得到多尺度特征；
3.根据权利要求1所述的基于深度学习的肿瘤图像分割方法，其特征在于，将所述多尺度特征输至注意力模块中提取注意特征，所述注意特征与所述卷积特征通过跳跃连接进行特征拼接得到输出特征，基于所述输出特征进行分割得到分割结果；
4.根据权利要求3所述的基于深度学习的肿瘤图像分割方法，其特征在于，所述注意力模块由通道注意力模块和空间注意力模块组成，所述通道注意力模块与所述空间注意力模块并行处理不同尺度的特征得到混合通道注意特征、混合空间注意特征，所述混合通道注意特征与所述混合空间注意特征进行拼接得到注意特征。
5.根据权利要求1所述的基于深度学习的肿瘤图像分割方法，其特征在于，所述方法还包括数据预处理，所述数据预处理中肿瘤图像统一为相同的层厚，再将图像裁切成固定尺寸的三维分块；
6.根据权利要求1所述的基于深
7.根据权利要求1所述的基于深度学习的肿瘤图像分割方法，其特征在于，所述分割采用的分割模型训练过程为：
8.一种基于深度学习的肿瘤图像分割系统，其特征在于，包括：
9.一种基于深度学习的肿瘤图像分割设备，其特征在于，包括：
10.一种计算机可读存储介质，其上有计算机程序，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的肿瘤图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的肿瘤图像分割方法，其特征在于，所述不同尺度的神经网络是神经网络通过大小不同的卷积核对卷积特征进行特征提取得到多尺度特征；
3.根据权利要求1所述的基于深度学习的肿瘤图像分割方法，其特征在于，将所述多尺度特征输至注意力模块中提取注意特征，所述注意特征与所述卷积特征通过跳跃连接进行特征拼接得到输出特征，基于所述输出特征进行分割得到分割结果；
4.根据权利要求3所述的基于深度学习的肿瘤图像分割方法，其特征在于，所述注意力模块由通道注意力模块和空间注意力模块组成，所述通道注意力模块与所述空间注意力模块并行处理不同尺度的特征得到混合通道注意特征、混合空间注意特征，所述混合通道注意特征与所述混合...
【专利技术属性】
技术研发人员：尹家瑜，沈文翔，刘良森，陆一昕，毛一朴，许梅海，韦洁勤，卢平明，瞧秀逢，黄龙全，郭敏，贺艾，黄彩云，
申请(专利权)人：南宁市第一人民医院，
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。