[發明專利]基于殘差-注意力深度神經網絡的腫瘤分割方法

有效

• 申請號: 201811045899.3
• 申請日: 2018-09-07
• 公開（公告）號: CN110889853B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 蘇苒;金強國;孟昭鵬
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136
• 代理公司: 天津創智天誠知識產權代理事務所(普通合伙) 12214
• 代理人: 李蕊;王秀奎

本發明公開了一種基于殘差?注意力深度神經網絡的腫瘤分割方法，包括：數據預處理、訓練集制作、構建殘差?注意力深度神經網絡模型、訓練殘差?注意力深度神經網絡和分割階段，本發明的腫瘤分割方法結合了殘差網絡中的殘差模塊，使深度神經網絡能更好地處理梯度消失問題。其次，本發明的深度神經網絡使用殘差?注意力模塊使得處理的性能極大的改善，由于不同類型的注意力被提取出來，因此該分割方法更具有普適性。最后，使用U?Net作為基本體系結構來捕獲多尺度的注意力信息，并將低層特征與高級特征完美集成。

技術領域

本發明屬于深度學習與醫療影像處理技術領域，具體來說涉及一種基于殘差-注意力深度神經網絡的腫瘤分割方法。

背景技術

肝癌是世界范圍內最常見的致死原因之一，也是世界范圍內最常見的惡性腫瘤之一。根據病理診斷，腫瘤分為良性和惡性，而肝癌則被歸類為惡性腫瘤。原發性腫瘤如乳腺癌、結腸癌和胰腺癌通常伴隨著疾病向肝臟擴散轉移。因此，原發性肝腫瘤的早期發現和分割對于疾病的診斷和治療具有重要意義。

肝腫瘤的提取和分割是任何手術干預之前的關鍵任務。從圖像中精準地分割腫瘤能幫助醫生提出可單獨提供給患者的有效療法(R.Rajagopal and P.Subbaiah,“A surveyon liver tumor detection and segmentation methods,”ARPN Journal ofEngineering and Applied Sciences,vol.10,pp.2681–2685,2015.)。目前，肝腫瘤的分割方法可以分為三類：人工分割、半自動分割和自動分割。人工分割是一種主觀的、重復性差、耗時長的方法，同時對技術人員有很高的要求(W.Li,F.Jia,and Q.Hu,“AutomaticSegmentation of Liver Tumor in CT Images with Deep Convolutional NeuralNetworks,”Journal of ComputerCommunications,vol.03,no.11,pp.146–151,2017.)。半自動分割是介于人工與自動分割中間的一種方法，也是一種不方便、低效的分割方法。因此，有必要提出一種自動化、精準又高效的方法來加速和促進診斷，最終協助外科醫生移除腫瘤。醫療影像中腫瘤和肝臟區域之間的對比度細微，影像中存在許多噪聲，腫瘤特征的復雜性以及附近其他相似器官的干擾使得自動分割成為了一個非常艱巨的挑戰.。而卷積神經網絡在許多圖像分割中做出了巨大的貢獻(J.Long,E.Shelhamer,and T.Darrell,“Fully convolutional networks for semantic segmentation,”IEEE Transactions onPattern AnalysisMachine Intelligence,vol.79,no.10,pp.1337–1342,2015.)，已經有了大量的二維和三維卷積神經網絡模型，然而這些普適性模型并不完全適用于肝腫瘤的提取和分割。為了解決這些困難，研究出一種基于深度神經網絡的肝腫瘤分割方法具有重要的意義。

發明內容

針對現有技術的不足，本發明的目的在于提供一種基于殘差-注意力深度神經網絡的腫瘤分割方法。

本發明的目的是通過下述技術方案予以實現的。

一種基于殘差-注意力深度神經網絡的腫瘤分割方法，包括以下步驟：

步驟1，數據預處理

1-1準備訓練模型數據集，所述訓練模型數據集包括：含有多個原始三維CT圖的原始三維CT圖集合T和含有與訓練模型數據集中每一個原始三維CT圖相對應的標定CT圖的標定CT圖集G，其中，每一個原始三維CT圖中包含：肝臟區域、腫瘤區域、無關器官區域和背景區域，每一個標定CT圖中包含：肝臟區域、腫瘤區域和背景區域；