[發明專利]一種基于上下文注意力策略的三維肝臟影像語義分割方法

有效

• 申請號: 202110196132.6
• 申請日: 2021-02-22
• 公開（公告）號: CN112927255B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 張曉龍;邵賽;鄧春華;程若勤;李波
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06T7/155
• 分類號: G06T7/155;G06V10/40;G06N3/04;G06N3/08;G06T5/30;G06T5/40
• 代理公司: 杭州宇信知識產權代理事務所(普通合伙) 33231
• 代理人: 張宇娟

本發明涉及一種基于上下文注意力策略的三維肝臟影像語義分割方法，包括如下步驟：選定待進行肝臟分割的醫療影像數據集，將其劃分為訓練集和測試集；對所述訓練集中的三維肝臟影像進行預處理；在編碼階段，利用殘差結構、卷積網絡和空洞卷積得到肝臟的特征圖；在解碼階段，利用上下文注意力策略模塊、轉置卷積和深度監督機制得到肝臟的分割圖像；對語義分割后得到的肝臟圖像進行后處理。該方法具有提高三維肝臟影像語義分割效果的特點，實現了較好的自動化分割效果，并可以輔助醫生進行診斷。

技術領域

本發明涉及三維醫學影像語義分割方法，特別是涉及一種基于上下文注意力策略的三維肝臟影像語義分割方法。

背景技術

肝臟位于人體腹部，是腹部最大的重要實體器官，然而與肝臟相關的肝癌等疾病已成為世界上最常見，死亡率最高的疾病之一，這對人類的身體健康與生命產生了極大的威脅。近年來，計算機斷層掃描(computered tomography,CT)已經成為發現，診斷和治療肝腫瘤最廣泛使用的醫學成像方法。在治療手術之前需要對CT圖像中肝臟的形狀和位置信息詳細的了解，因此對肝臟的精確分割已成為肝癌治療的首要任務。然而，人與人之間腫瘤的大小，形狀和位置差異較大，腫瘤與其周圍正常肝組織之間的界限不明確，肝臟與其周圍器官組織對比度低，一些腫瘤還可能與其他器官和血管相鄰，造成邊界模糊。此外，肝腫瘤的多樣性和密度的不均勻性使得肝臟和肝腫瘤分割成為一項具有挑戰性的任務。因此，研究自動肝臟分割算法不僅可以減少醫生手動細分的工作時間和結果的主觀性，而且更為重要的是它可以提高肝臟和腫瘤分割的準確性，以提高肝腫瘤手術的成功率。

目前肝臟及腫瘤分割算法主要分為傳統方法和基于深度學習的方法。傳統分割方法主要有閾值法、區域生長法、主動輪廓模型、遺傳算法等。但是傳統的分割方法或多或少都存在一些局限，如閾值法僅考慮了像素本身的值，放棄了圖像的空間性造成欠分割；區域生長法需要人工設置種子點，導致本來分開的區域連接，造成過度分割；主動輪廓模型對于初始位置十分敏感且無法檢測到目標邊界的凹陷處；遺傳算法缺少局部搜索能力。

基于深度學習的分割方法也稱為圖像語義分割，本質上是一個逐像素點的二分類問題。近年來，這類方法被廣泛應用于醫療影像處理領域，受到了極大的關注。在深度學習中最具有代表性的算法是卷積神經網絡，它在圖像識別和圖像分割領域大放異彩。后來的研究者又根據醫療影像的特點對全卷積神經網絡(Fully Convolutional Networks,FCN)改進提出了最經典的Unet和Vnet網絡。二者都是一種類似U型的網絡結構，使用skip-connection連接low level feature和high level feature。不同點在于Unet用于處理二維數據，Vnet用于處理三維數據，Vnet中還加入了Residual block。然而二維卷積網絡無法充分利用醫療影像數據中的空間信息，缺少了對三維醫療數據切片間信息的處理，所以分割所得結果的邊界較為粗糙，分割的整體效果不如三維分割。但這些研究都沒有對醫療影像數據切片間的信息進行處理，對目標的低級語義特征和高級語義特征的融合利用不到位。

發明內容

本發明為了克服現有技術的不足，提供了一種基于上下文注意力策略的三維肝臟影像語義分割方法，采用如下技術方案實現：

一種基于上下文注意力策略的三維肝臟影像語義分割方法，包括如下步驟：

S1、選定待進行肝臟分割的醫療影像數據集，將其劃分為訓練集和測試集；

S2、對所述訓練集中的三維肝臟影像進行預處理，并輸入編解碼網絡模型；

S3、在編碼階段，利用殘差結構、卷積網絡和空洞卷積得到肝臟的特征圖；

S4、在解碼階段，利用上下文注意力策略模塊、轉置卷積和深度監督機制得到肝臟的分割圖像；

S5、對語義分割后得到的肝臟圖像進行后處理。

進一步的，步驟S2具體包括：