[發明專利]一種基于深度神經網絡的腎臟及腎臟腫瘤分割方法

在審

• 申請號: 202010083018.8
• 申請日: 2020-02-07
• 公開（公告）號: CN111354002A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 呂衛;蔣育含;褚晶輝
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06N3/08;G06N3/04
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

1.一種基于深度神經網絡的腎臟及腎臟腫瘤分割方法，包括下列步驟：

第一步，構建CT醫學圖像數據庫：獲取腎癌患者CT醫學圖像數據集，在數據集中選取含有醫生手動標注的腎臟及腎臟腫瘤位置區域的圖像作為訓練集，其余不含有標注的圖像作為測試集，然后，進行數據預處理，將數據集中的三維圖像沿第一維度進行切分，切分為多個二維圖像并保存，為神經網絡入口做準備；

第二步，訓練粗略分割的U-Net++神經網絡：首先，利用U-Net++神經網絡對第一步所得到的訓練集進行訓練，然后加載所訓練到的模型去對測試集進行粗略分割，使得腎臟與腫瘤區域和其他組織器官及背景區域區分開來，得到感興趣區域，最后，對感興趣區域進行記錄，所述的感興趣區域指的是包含有腎臟及腫瘤的區域，利用其原有的標注來記錄訓練集的感興趣區域，利用分割后的結果來進行記錄測試集的感興趣區域；

第三步，圖像增強；

第四步，訓練改進的Dense-Unet的神經網絡：修改Dense-unet神經網絡作為精細分割的神經網絡，在其中間層添加空洞空間金字塔模塊，改進的Dense-Unet神經網絡共含有13層結構，其中第1、2層為卷積層、第3層為池化層、第4層至第7層為密集連接層、第8層為空洞卷積金字塔層、第9層至第13層為反卷積層；將第三步得到的圖像送入經過改進的Dense-Unet神經網絡中去做最終分割的訓練，在訓練過程中，使用Adam優化器，將學習率梯度下降方法修改為Cosine函數下降的方法，損失函數利用Dice Loss聯合CrossEntropyLoss的損失函數，神經網絡的性能評價指標是Dice指標；

第五步，圖像后處理：利用第四步所訓練到的神經網絡模型對測試集進行分割。