[發明專利]可變形的上下文編碼網絡模型及對肝臟及肝臟腫瘤的分割方法

有效

• 申請號: 202011058875.9
• 申請日: 2020-09-30
• 公開（公告）號: CN112184748B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 雷濤;王日升;張宇嘯;薛丁華;張棟
• 申請（專利權）人: 陜西科技大學
• 主分類號: G06T7/155
• 分類號: G06T7/155;G06V10/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 艾慧康

本發明公開了一種可變形的上下文編碼網絡模型及對肝臟及肝臟腫瘤的分割方法，能夠精確地確定肝臟以及肝臟腫瘤的輪廓位置，實現更為精準地肝臟和肝臟腫瘤分割，具有廣闊地應用前景，本發明的網絡模型利用可變形卷積來增強傳統編碼器的特征表示能力，幫助其學習具有自適應空間結構信息的卷積核，排除肝臟腫瘤位置大小不同的干擾；利用提取多尺度上下文信息的Ladder空間金字塔池化模塊編碼圖像中的全局特征信息，進而更加精確地確定肝臟以及肝臟腫瘤的輪廓位置，實現更為精準的肝臟和肝臟腫瘤分割，具有廣闊的應用前景。

技術領域

本發明屬于圖像處理技術及模式識別領域，具體涉及可變形的上下文編碼網絡模型及對肝臟及肝臟腫瘤的分割方法。

背景技術

當前原發性肝癌已成為全世界范圍內最常見且致死率最高的幾種癌癥之一，嚴重威脅著人類的生命健康。對腹部CT圖像進行準確的肝臟和肝臟腫瘤分割對于輔助醫生診斷、提升治療成功率和減輕患者傷害有著重要的價值。然而CT圖像通常具有噪聲大、對比度低的特點，這使得圖像中肝臟和肝臟腫瘤與其他組織的邊界灰度差異性較小，并且肝臟腫瘤的形狀是高度變化的，難以直觀劃定，因此肝臟和肝臟腫瘤的分割比較困難；除此之外，對腹部CT圖像進行逐切片手工標注不僅過程繁瑣、效率低下，而且極易受到主觀因素的影響，導致其分割精度有限。因此，精準實現肝臟和肝臟腫瘤分割的半自動或全自動方法一直是醫學圖像分析領域中的重要研究目標之一。目前，計算機視覺結合醫學影像研究已成為智能醫療領域熱點。其中，基于深度學習的肝臟及肝臟腫瘤分割技術可以獲取肝臟以及肝臟腫瘤的大小以及幾何形狀等信息，從而輔助醫生的初期診斷和治療。

在深度學習技術出現之前，肝臟和肝臟腫瘤分割通常是半自動的，它們主要依靠基于模型驅動的圖像分割算法，例如區域增長、活動輪廓模型、圖形剪切和形狀統計模型等。這些方法可以大致分為三類：基于像素的方法、基于圖的方法和基于輪廓的方法。第一種方法包括閾值化和區域合并，由于采用了低級特征和有限的模型表示能力，它們只能實現較低的肝臟和肝臟腫瘤分割精度。基于圖的方法比基于像素的方法具有明顯的優勢，因為它們采用最大流量/最小割算法來找到最小成本的封閉集。這種半自動方法可以通過簡單地標記前景和背景來實現肝臟分割，并且它們不需要迭代操作。但是，這些分割結果很容易受到標記結果的影響，并且圖切算法要求高分辨率圖像具有較高的計算成本。因此，研究人員經常采用圖割和其他算法(例如分水嶺、形狀約束和多尺度配準等)的組合來提高肝臟和肝臟腫瘤的分割精度和計算效率。基于輪廓的肝臟分割或肝臟腫瘤分割可以利用曲線或形狀演變提供更好的分割結果。水平集是其中較主流的算法之一，因為它能利用能量優化將給定的曲線演化為感興趣對象的邊界，為肝臟或肝臟腫瘤分割提供有效特征信息。

相比于傳統肝臟分割方法，深度學習方法能夠充分利用大量訓練樣本的數據多樣性，使得肝臟及肝臟腫瘤分割結果優于傳統方法。全卷積神經網絡(Fully?ConvolutionalNetworks,FCN)是一種經典的端到端深度學習網絡，該網絡通常采用多級編碼器-解碼器結構，并且編碼器和解碼器通常由大量標準卷積層與反卷積層組成。Ronneberger等人提出編碼器和解碼器完全對稱的U-Net獲得了較好的分割結果，但是固定幾何形狀的卷積通常會無法與肝臟和不規則的腫瘤相匹配，不能有效的提取到語義特征。Seo等人在編碼與解碼器之間的跳躍連接中加入卷積和激活操作，以增強網絡對肝臟及肝臟腫瘤的檢測能力，進而獲得較好的分割結果，但該分割方法無法有效利用圖像空間上下文信息，且無法對肝臟以及肝臟腫瘤的全局特征信息進行提取，因此分割精度較差。Christ等人采用級聯的U-net模型實現肝臟以及肝臟腫瘤分割，該方法能得到較好的肝臟腫瘤分割效果，但是分割邊緣不夠精細，平滑度較差。

發明內容

為了解決現有技術中的問題，本發明提供了一種可變形的上下文編碼網絡模型及對肝臟及肝臟腫瘤的分割方法，能夠精確地確定肝臟以及肝臟腫瘤的輪廓位置，實現更為精準地肝臟和肝臟腫瘤分割，具有廣闊地應用前景。