[發明專利]基于聚合層間信息的U-Net腎臟腫瘤圖像分割方法、設備及存儲介質

在審

• 申請號: 202110270015.X
• 申請日: 2021-03-12
• 公開（公告）號: CN113012164A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 王鵬偉;初瑩瑩;花蒨蒨;張翅
• 申請（專利權）人: 山東大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 楊樹云

本發明涉及基于聚合層間信息的U?Net腎臟腫瘤圖像分割方法、設備及存儲介質，包括：1)圖像獲取；2)圖像預處理；3)構建標簽；對步驟2)中得到的預處理后的圖像構建相應的標簽；4)構建聚合層間信息的U?Net模型；5)訓練聚合層間信息的U?Net模型；6)腎臟腫瘤圖像分割；將待分割的腎臟腫瘤圖像輸入訓練好的聚合層間信息的U?Net模型，實現圖像分割。本發明充分利用切片層內信息和切片層間信息學習上下文信息，減小了計算機的內存消耗和硬件要求。在多個尺度上實現卷積后的輸出提取特征，這不僅可以減少信息冗余，而且可以調高分割的準確性。

技術領域

本發明涉及一種基于聚合層間信息的U-Net腎臟腫瘤圖像分割方法、設備及存儲介質，屬于計算機輔助技術領域。

背景技術

每年有超過40萬例新的腎臟腫瘤病例，而外科手術是其最常見的治療方法。由于腎臟和腎臟腫瘤形態的多樣性，目前，人們對腫瘤形態對手術的影響以及開發先進的手術計劃技術非常感興趣，圖像分割是進行這些工作的有效的工具。

近年來，隨著計算機運算性能的提高，使得計算機輔助實現醫學圖像分割成為可能，但是由于CT圖像分割腎臟存在的一些難點，比如，CT圖像的對比度低，腎臟器官的邊界比較模糊，個體腎臟之間存在較大的差異，因此，研究腎臟和腫瘤的分割具有很實際的意義。

目前，針對腎臟和腫瘤的分割大體可以分為兩大類。一類是傳統方法，比如自適應區域生長算法，根據其被分割區域的特征進行融合。利用閾值的方法進行估計，通過先驗信息對閾值進行估計，選定一個或者多個閾值，將圖像分成不同幾類。傳統方法一般需要手動設計提取特征，不能做到自動分割，而且處理過程比較繁瑣。另一類是深度學習的分割方法，通過使用大量的數據，訓練模型自適應學習目標的特征，得到訓練模型，然后利用訓練好的模型對數據進行檢測，無需人為的過多干預，過程也比傳統算法簡單，因此在醫學影像分割領域得到廣泛應用。

卷積神經網絡(Convolutional Neural Network，CNN)是深度學習的經典算法之一，也是眾多科學領域的研究熱點。研究者在此基礎上提出了許多改進算法。2015年，提出的U-Net網絡模型采用編碼器-譯碼器結構，編碼器部分通過卷積和下采樣對輸入圖像特征進行提取，解碼器部分通過反卷積和上采樣將編碼信號映射為相應掩模，編碼器和解碼器之間跳躍連接。醫學CT圖像有很多切片構成一個3D圖像，層與層之間具有關聯性，而U-Net有效地提取切片內特征，卻忽略了重要的切片層間的聯系。2016年，有研究者提出3D U-Net網絡，用3D卷積操作替換了2D卷積，不需要單獨輸入每個切片進行訓練，而是可以采取圖片整張作為輸入到模型中，可以更好的利用切片之間的層間信息，同時融合切片內的特征和切片間的特征。但是，3D模型結構比較復雜，參數較多，容易出現過擬合現象，并且對硬件的需求較高。

發明內容

針對現有技術的不足，本發明提供了一種基于聚合層間信息的U-Net腎臟腫瘤圖像分割方法。

本發明研究U-Net網絡的基礎上，提出一種多尺度融合的聚合層間信息的U-Net模型，以實現腎臟和腎臟腫瘤的分割，設計聚合層間信息的U-Net網絡，延展并吸收三維空間上的信息，對邊界細節進行優化。同時，將不同尺寸的預測信息進行特征融合，提升網絡對目標區域的特征表達能力。結果表明，改進的腎臟和腫瘤分割方法顯著提高了分割的準確性，較好地解決了當前醫學影像分割任務繁重的問題，具有效率高、分割準確的優勢。

本發明還提供了一種計算機設備及可讀存儲介質。

術語解釋：