【技术实现步骤摘要】
本专利技术涉及ct图像分割领域，尤其涉及一种基于ct图像的肝细胞癌肿瘤自动分割方法及系统。
技术介绍
1、肝细胞癌hepatocellular carcinoma，hcc是最常见的原发性肝癌，具有可预测性低、恶化速度快、死亡率高的特点，而早期hcc的复发率低于晚期hcc，且5年生存率较高，因此对hcc进行及时、准确的诊疗具有十分重要的意义。
2、目前，hcc主要通过影像学技术进行筛查，其中计算机断层扫描computedtomography，ct因其检查时间短，成像质量高，已成为筛查hcc最常用的成像技术之一，在ct图像中准确定位癌变区域是治疗hcc的重要一环，如附图1所示，由于不同病人的肿瘤情况不同，且癌变区域与正常区域对比度低，加上肝脏部分与周围其它组织器官联系紧密，使得癌变区域与正常区域边界难以界定，因此对癌变区域进行准确分割已成为hcc治疗的首要任务。
3、近年来，深度学习方法凭借强大的特征学习能力，为医学图像分割提供了新的解决方案，在实际应用过程中，许多研究者通过实验证明了卷积神经网络convolutionalneural network，cnn在不同模态的医学图像识别中的精度优于其它现有的深度学习网络，u型网络u-net及其改进型如u-net++，u-net3+等作为医学图像分割领域最具代表性的cnn网络，因其结构简单、有效而被广泛采用。
4、然而，u-net系列网络在面对复杂的和低对比度的图像信息时容易出现无法有效预测的情况，同时，u-net系列网络的复杂度，包括参数复杂度和计算复
5、因此，我们将基于cnn提出一种能实现高效分割且显存友好型的医学图像分割网络，并设计出相应的分割系统及方法，以快速、准确地分割出ct图像中的hcc区域。
技术实现思路
1、本专利技术的目的在于上述的技术问题，提出一种基于ct图像的肝细胞癌肿瘤自动分割方法及系统。
2、一种基于ct图像的肝细胞癌肿瘤自动分割方法，包括以下步骤：
3、s1： 构建msbp-net网络，以从二维ct图像中分割出hcc区域；
4、s11：res2net编码器对进入msbp-net网络的二维ct图像实施编码操作；
5、s12：msbp-net网络将res2net编码器末尾记为深层，开始向浅层进行解码；
6、s2：对数据进行划分和预处理，然后 对msbp-net网络进行训练与测试，构建肝细胞癌肿瘤自动分割系统；
7、s21：将ct影像按照8：1：1的比例随机划分为训练集、验证集和测试集，对每一例影像进行切片处理；
8、s22：将训练集和验证集导入 msbp-net网络进行训练和验证，使用复合损失函数计算训练损失，根据训练集的损失进行参数更新，参照验证集的结果来保存最佳分割模型；
9、s23：最佳分割模型在测试集上接受评估，在其 评估结果达到预期之后将该最佳分割模型模型作为分割系统的二维分割模型；
10、s24：将nii文件的切片处理、二维分割、三维重建和尺寸评估三个功能连接成一个流程，创建肝细胞癌肿瘤自动分割系统；
11、所述复合损失函数包括骰子损失和交叉熵损失；
12、所述切片处理包括切片操作和resize功能，处理后的二维ct图像为352×352像素；
13、特征图的规格为数量×长×宽。
14、进一步的，一种基于ct图像的肝细胞癌肿瘤自动分割方法，所述步骤s11包括以下子步骤：
15、s111：二维ct图像依次经过res2net编码器的五个卷积模块，获得五种尺寸的特征图，每个模块单独记为一个层级，共五个层级；
16、s112：末尾三个层级输出的特征图通过感受野模块和交叉感受野模块，提取大尺度的感受野和全局信息，并将特征图的数量压缩为64；
17、所述五个层级输出的特征图规格分别为64×88×88，256×88×88，512×44×44，1024×22×22，2048×11×11。
18、进一步的，一种基于ct图像的肝细胞癌肿瘤自动分割方法，所述步骤s12包括以下子步骤：
19、s121：边界预测：
20、res2net编码器第五层和第四层的输出同时进入到第一个边界预测模块后输出bp4；
21、res2net编码器第三层的输出和bp4同时进入到第二个边界预测模块后输出bp3；
22、res2net编码器第二层的输出和bp3同时进入到第三个边界预测模块后输出bp2；
23、所述bp4、bp3和bp2代表粗略分割的结果，规格分别为64×22×22，64×44×44，64×88×88；
24、s122：联合上采样：bp4、bp3和bp2进入联合上采样模块中，经过上采样和相互融合后输出规格为64×88×88的特征图；
25、s123：浅层滤波：将res2net第一层输出的特征图和联合上采样输出的特征图同时引入到浅层滤波模块当中得到规格为64×88×88的特征图；
26、所述浅层滤波模块得到的特征图包含了精细的边界信息；
27、s124：msbp-net网络对bp3、bp2、联合上采样模块的输出和浅层滤波模块的输出均进行上采样，还原为四个1×352×352的特征图；
28、s125：msbp-net网络将还原的四个特征图拼接，使用1×1卷积和sigmoid激活函数进行降维和激活，得到一个规格为1×352×352的二值化掩膜。
29、进一步的，一种基于ct图像的肝细胞癌肿瘤自动分割方法，所述步骤s112包括以下子步骤：
30、s1121：交叉感受野模块中使用开头的1×1卷积将特征图的数量压缩为64，进入交叉注意力模块中提取全局信息；
31、s1122：三条支路的输出一齐拼接成192个特征图，末尾的1×1卷积将192个特征图压缩为64个特征图。
32、进一步的，一种基于ct图像的肝细胞癌肿瘤自动分割方法，所述s121步骤包括以下子步骤：
33、s1211：在边界预测模块中，深层特征图经过上采样之后其尺寸被扩大两倍，与浅层特征图的尺寸统一；
34、s1212：浅层特征图在经过1×1卷积块之后拥有与深层特征图相同的数量，再与深层特征图相乘然后相加（ ，以深层特征图作为权重在浅层特征图中寻找边界的位置），输出新的浅层特征图；
35、s1213：输出的浅层特征图最终进入3×3卷积块，使其中的修正边界信息得到修正。
36、进一步的，一种基于ct图像的肝细胞癌肿瘤自动分割方法，所述步骤s122包括以下子步骤：
37、s1221：联合上采样模块的输入为bp4、bp3和bp2，经过深度可分离卷积块的深度卷积和逐点卷积进行特征提取后，依旧记为本文档来自技高网...
【技术保护点】
1.一种基于CT图像的肝细胞癌肿瘤自动分割方法，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CT图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤S11包括以下子步骤：
3.根据权利要求1所述的一种基于CT图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤S12包括以下子步骤：
4.根据权利要求2所述的一种基于CT图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤S112包括以下子步骤：
5.根据权利要求3所述的一种基于CT图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述S121步骤包括以下子步骤：
6.根据权利要求3所述的一种基于CT图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤S122包括以下子步骤：
7.根据权利要求3所述的一种基于CT图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤S123还包括以下子步骤：
8.一种基于CT图像的肝细胞癌肿瘤自动分割系统，其特征在于，通过简单的点击操作完成三维CT数据的二维切片、二维分割和三维重建，计算出肿瘤的体积和最大直径
9.根据权利要求8所述的一种基于CT图像的肝细胞癌肿瘤自动分割系统，其特征在于，
...【技术特征摘要】
1.一种基于ct图像的肝细胞癌肿瘤自动分割方法，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ct图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤s11包括以下子步骤：
3.根据权利要求1所述的一种基于ct图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤s12包括以下子步骤：
4.根据权利要求2所述的一种基于ct图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述步骤s112包括以下子步骤：
5.根据权利要求3所述的一种基于ct图像的肝细胞癌肿瘤自动分割方法，其特征在于，所述s...
【专利技术属性】
技术研发人员：丁菊容，潘兴亮，华波，李霞，徐志远，
申请(专利权)人：四川轻化工大学，
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。