CN112561860A - 一种基于先验形状约束的BCA-UNet肝脏分割方法 - Google Patents

Abstract

本发明涉及计算机视觉技术领域，具体涉及一种基于先验形状约束的BCA‑UNet肝脏分割方法，包括以下步骤：输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将预处理后的肝脏CT图像输入训练好的肝脏分割模型中，得到肝脏分割结果。本发明采用优化的主动轮廓损失函数计算高维特征的损失，融合两个网络中间特征作为下一层注意力信号，用于约束分割网络(BCA‑UNet)，误差反向传播逐层优化，避免了边缘轮廓的丢失。此外，本发明的肝脏分割模型对图像边缘轮廓较敏感，提高了分割的精度，缩小了表面距离误差。

Description

一种基于先验形状约束的BCA-UNet肝脏分割方法

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于先验形状约束的 BCA-UNet肝脏分割方法。

背景技术

准确地肝脏分割在临床应用中至关重要，比如肝脏疾病的病理诊断、手术 计划和术后评估。但肝脏分割仍然是一项具有挑战性的任务。首先，肝脏图像 存在边缘模糊、灰度不均等问题；其次，基于深度卷积神经网络的肝脏分割， 存在池化运算和叠加的卷积运算造成的肝脏边缘轮廓信息丢失问题。最后，三 维肝脏数据分割方法存在消耗大计算资源的问题。

现有的肝脏分割方法可以分为基于模型驱动的传统方法和基于数据驱动的 深度学习方法。基于模型驱动的传统分割方法的主要思想是：通过构建能量模 型，设置初始轮廓，循环迭代，从而得到较好的分割结果。其具有代表性的方 法是基于水平集的肝脏分割方法。基于水平集的分割方法通过与活动轮廓模型 相结合，再通过求解模型的偏微分方程，完成肝脏轮廓的分割。随着数据量的 增加，深度学习在肝脏图像分割上日益引起研究者的关注。基于数据驱动的深 度学习方法的主要思想是：通过构建分割网络，使用数据进行训练、测试，便 可得到分割结果。其具有代表性的方法有： Unet,H-DenseUnet,BCDU-Net,Bottleneck feature Supervised U-Net network等。由 于肝脏图像存在边缘模糊、灰度不均等问题，使用经典的Unet二维分割网络对 上下文信息丢失问题有所改善，但是仍存在空间信息提取不充分问题。相比之 下，ConvLSTM与Unet相结合，利用ConvLSTM结构中的记忆单元，存储网络 中的信息，在一定程度上解决了空间信息丢失问题,但是会面临图像信息的冗余。 2017年，相关文章出现Attention Gate结构与Unet相结合的方法，因其网络参 数量小，分割步骤简单，能缓解信息冗余的方法。2018年，相关文章出现ConvLSTM与Unet集成的方法，能有效学习图像全局信息与局部信息的完整性。 因此，将AttentionGate以及ConvLSTM与Unet集成以分层的方式学习上下文 信息的研究思路受到了关注。此外，自编码网络能将图像高维空间隐藏的信息 映射到低维空间，从而能表达全局信息。近年来，一些研究者将自编码网络用 于抽取形状特征，作为形状先验知识，与分割网络相结合，通过损失函数最小 化反向传播误差，在一定程度上解决了边缘轮廓模糊问题。针对待分割图像与 周围组织存在的灰度不均匀、边缘模糊等挑战性问题，基于深度学习的分割方法虽然提出了许多改进思路，但边缘轮廓丢失问题依然是一个挑战性的难题。

发明内容

为了解决上述问题，本发明针对现有的Unet网络肝脏分割方法中存在的特 征信息提取不充分、肝脏边缘轮廓模糊等缺陷，提供一种基于先验形状约束的 BCA-UNet肝脏分割方法。

一种基于先验形状约束的BCA-UNet肝脏分割方法，包括以下步骤：输入 肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将 预处理后的肝脏CT图像输入训练好的边缘敏感特征融合的肝脏分割模型中，得 到肝脏分割结果。所述边缘敏感特征融合的肝脏分割模型先训练后使用，训练 过程包括：

S1、利用Xavier方法初始化BCA-UNet网络；

S2、将预处理后的肝脏CT图像输入肝脏分割模型中，在主分割网络中经过 7个卷积层和3个池化层进行特征提取，最终得到肝脏序列数据的第一高维特征； 在先验形状约束网络中抽取肝脏CT图像的形状信息，提取第二高维特征；

S3、将主分割网络提取的第一高维特征与先验形状约束网络提取的第二高 维特征进行融合，得到融合结果，即特征图；

S4、将特征图输入到主分割网络中进行肝脏分割网络的参数训练，具体地， 将第一高维特征输入一个分支经过3个双向卷积长短期记忆模块，得到第一预 测结果pred1，即pred1←BC-UNet(I_b)；将特征图输入另一个分支经过3个融合 了注意力机制的双向卷积长短期记忆模块，得到第二预测结果pred2，即 pred2←BCA-UNet(I_b)；

S5、根据第一预测结果pred1、第二预测结果pred2和标签图像G_b分别计算 混合损失函数L_{seg loss}；

S6、基于混合损失函数L_{seg loss}，利用Adam优化器更新肝脏分割模型的参数 W_i，i＝1,...,N，多次迭代后保存肝脏分割模型的最优参数为W_i，i＝1,...,N，得到训练好 的肝脏分割模型。

进一步的，所述预处理包括：

S01、使用HU值对灰度值进行调整变换去除不相关组织；

S02、使用MIN_MAX Scaling对肝脏CT图像进行归一化，归一化公式为：

其中，X是像素值，X_max，X_min分别是肝脏CT图像像素值的最大值与最小 值；

S03、对输入肝脏CT图像进行数据增广。

进一步的，所述边缘敏感特征融合的肝脏分割模型包括主分割网络和先验 形状约束网络，其中主分割网络采用基于双向卷积长短期记忆模块的神经网络 BCA-UNet，主分割网络中包括7个卷积层、3个池化层、3个双向卷积长短期 记忆模块；先验形状约束网络采用基于自编码的神经网络，先验形状约束网络 包括4个卷积块，4个反卷积块。

进一步的，BCA-UNet包括两个分支：BC-Unet分支和BCA-UNet分支，其 中，BC-Unet分支表示没有经过注意力机制处理的双向卷积长短期记忆网络分支， BCA-UNet分支表示经过注意力机制处理的双向卷积长短期记忆网络分支。

进一步的，肝脏分割模型预测肝脏分割结果的计算表达式为：

其中，Y表示预测的肝脏分割结果，n为测试图像的数量，W_i表示为最优的 权重，T_i表示肝脏测试图像。

进一步的，混合损失函数L_{seg loss}的表达式如下：

L_{seg loss}＝α*L_{Dice Loss}+β*L_BCE

其中，L_{seg loss}表示输入肝脏CT图像进行分割的混合损失函数，α为第一权 重参数，用于权衡第一预测结果与标签图像的损失，β为第二权重参数，用于权 衡第二预测结果与标签图像的像素值损失，优选取值为α＝0.3，β＝0.7，L_{Dice Loss}表示dice分割指标损失函数，L_BCE表示二分类交叉熵损失函数，pred1表示第一 预测结果，pred2表示第二预测结果，G_b表示标签图像，N表示图像像素最大值， a_i表示属于第二预测结果pred2中对应像素点i的像素值，b_i表示图像G_b中对应像 素点i的像素值，i的取值范围[1,N]。

进一步的，步骤S3中的融合方式采用L_ACL约束函数对高维特征A'和形状特 征B'进行约束，L_ACL约束函数的表达式如下：

其中，L_ACL表示改进的主动轮廓损失函数，A'表示BCA-UNet网络输出的 高维特征图像，B'表示Shape-Net网络输出的形状特征图像；其中，Boundary表 示肝脏图像边缘长度的最小值，Region表示图像区域边缘轮廓面积的最小值， Euclidean表示BCA-UNet网络输出的高维特征图像与Shape-Net网络输出的形状 特征图像的距离大小，参数λ用于权衡肝脏边缘轮廓与Shape-Net网络输出的形 状特征图像的吻合程度，参数μ用于指导肝脏轮廓区域与Shape-Net网络输出的 形状特征图像轮廓区域的匹配度；图像A'中坐标(i,j)像素点，Ω为高维特征 图像的图像域，i,j表示该图像域中的坐标点，

中的x表示水平方向，

中 的y表示垂直方向，参数∈取值1e-8；C₁，C₂为分类参数，取值C₁＝1，C₂＝0。

进一步的，步骤S6中，基于混合损失函数L_{seg loss}，利用Adam优化器更新 肝脏分割模型的参数W_i，i＝1,...,N，多次迭代后保存肝脏分割模型的最优参数为 W_i，i＝1,...,N，具体包括：

S61、计算总损失L_{seg loss}+L_ACL，得到误差；

S62、利用Adam优化器更新肝脏分割模型的参数W_i，i＝1,...,N，具体包括：

S621、计算t时间步的梯度g_t：

表示求梯度下降的最小值， J(·)表示L_{seg loss}+L_ACL；

S622、计算梯度的指数移动平均数，m₀初始化为0，β₁为指数衰减率，默认 为0.9，控制权重分配，公式表示为：m_t＝β₁m_t-1+(1-β₁)g_t，其中，m_t表示t时间 步的梯度均值，m_t-1表示t-1时间步的梯度均值；

S623、计算梯度平方的指数移动平均数，v₀初始化为0，β₂为指数衰减率， 默认为0.999，控制之前的梯度平方的影响情况，公式表示为：v_t＝β₂v_t-1+(1-β₂)g_t ²， 其中，v_t表示t时间步的梯度平方的指数移动平均数，v_t-1表示t-1时间步的梯度 平方的指数移动平均数；

S624、对梯度均值进行偏差纠正，纠正公式为：

S625、更新参数，即

lr为学习率；

S63、计算参数

其中W为可学习参数；

S64、多次迭代进行上述的参数优化过程，当网络收敛到使得总损失(L_{seg loss} +L_ACL)达到最小，或者迭代次数达到最大迭代次数为Epoch时，停止迭代过程， 完成参数优化，保存肝脏分割模型的最优参数为W_i，i＝1,...,N。

本发明的有益效果：

本发明方法通过优化的主动轮廓损失函数计算Shape-Net和BCA-UNet网络 高维特征的损失，融合两个网络中间特征作为下一层注意力信号，用于约束分 割网络(BCA-UNet)，误差反向传播逐层优化，避免了边缘轮廓的丢失。此外， 先验形状约束网络借鉴了自编码网络中的特征映射思想，对图像进行编码，获 得隐藏的空间信息。紧接着通过主动轮廓损失中的长度项与面积项计算向外一 侧轮廓与向内一侧轮廓的差值达到全局最小化，改进的主动轮廓损失函数增加 了二范数项用于计算相似度，弥补了主动轮廓损失，特征图中间像素约束丢失 的缺陷。整个过程对图像边缘轮廓较敏感，算法提高了分割的精度，缩小了表 面距离误差。

附图说明

下面结合附图和具体实施方式对本发明做进一步详细的说明。

图1为本发明提供优选实施例提供的种基于先验形状约束的BCA-UNet肝 脏分割方法流程图；

图2为本发明实施例构建的一种网络框架图；

图3为本发明实施例的一种形状约束的过程图；

图4为本发明实施例提供的图像边缘损失程度展示图；

图5为本发明实施例提供的一种损失函数权值对dice指标的变化影响图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为本实施例提供的一种基于先验形状约束的BCA-UNet肝脏分 割方法流程图，包括但不限于如下步骤：

S1、输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏 CT图像。

预处理的实施过程包括：

S11、使用HU值对灰度值进行调整变换去除不相关组织：HU值范围调整 为[-150,250]；

S12、使用MIN_MAX Scaling对肝脏CT图像进行归一化，使得网络更快收 敛。归一化公式为：

其中，X是像素值，X_max，X_min分别是肝脏CT图像像素值的最大值与最小 值。

S13、对输入肝脏CT图像进行数据增广，包括采用旋转、缩放、裁剪等方 式同时处理CT图像及其对应的标签。

S2、将预处理后的肝脏CT图像输入训练好的肝脏分割模型中，得到肝脏分 割结果。

预处理后的肝脏CT图像中包括肝脏序列数据I和肝脏序列数据I对应的标 签图像G。

训练好的肝脏分割模型中保留了训练过程中训练的最优参数，可以直接使 用并能够直接输出较好的肝脏分割结果，使用方法是：将待分割的肝脏图像 T_i，i＝1,...,n输入训练好参数的肝脏分割模型中，根据所保存的最优参数{W_i，i＝1,...,n} 预测分割结果，计算公式如下：

其中，Y表示预测的肝脏分割结果，n为测试图像的数量。

如图2所示为本实施例提供的网络框架图，边缘敏感特征融合的肝脏分割 模型的训练过程包括但不限于如下步骤：

边缘敏感特征融合的肝脏分割网络(CFNet)中包括主分割网络和先验形状 约束网络Shape-Net，主分割网络采用基于双向卷积长短期记忆模块 (BidirectionalConvolution Long Short Term Memorys，Bidirectional ConvLSTM) 的神经网络(简称BCA-UNet)；主分割网络中包括7个卷积层、3个池化层、3 个双向卷积长短记忆模块；先验形状约束网络Shape-Net采用基于自编码的神经 网络，先验形状约束网络包括4个卷积块，4个反卷积块。

将预处理后的肝脏CT图像输入到BCA-UNet网络中进行训练，同时在先验 形状约束网络Shape-Net网络的约束下不断优化分割结果，最终得到训练好的肝 脏分割模型。

在下面的实施例中，BC-UNet网络表示没有经过注意力机制处理的双向卷 积长短期记忆网络，BCA-UNet网络表示经过注意力机制处理的双向卷积长短期 记忆网络。

边缘敏感特征融合的肝脏分割模型的具体训练实施过程如下所示：

S1、利用Xavier方法初始化BCA-UNet网络，设置网络训练的最大迭代次 数Epoch，设置批大小Batch，学习率lr，迭代次数Loop设置为从0开始；

S2、向初始化的BCA-UNet网络输入图像分割对(I,G)，其中，I表示肝脏 序列数据，用I_b表示每个批次训练的肝脏数据，G表示肝脏序列数据I对应的标 签图像，用G_b表示每个批次训练的标签图像数据，其中b表示批次。BCA-UNet 网络按批大小获取肝脏序列数据I_b以及对应的标签图像G_b，并对I_b和G_b进行归一 化处理，得到归一化后的肝脏序列数据I_b'和归一化后的标签图像G_b'。

具体地，使用MIN_MAX Scaling对I_b和G_b进行归一化，使得网络更快收敛， 归一化处理的公式为：

S3、归一化后的肝脏序列数据I_b'在BCA-UNet网络中经过7个卷积层和3 个池化层进行特征提取，得到肝脏序列数据I_b'的高维特征A'(第一高维特征)， 高维特征A'中包含肝脏分割图像信息{(I₀,G₀)～(I_sim,G_sim)}，(I₀,G₀)表示肝脏分割图 像内轮廓信息，(I_sim,G_sim)表示肝脏分割图像外轮廓信息。

将标签图像G_b'输入先验形状约束网络Shape-Net，根据肝脏序列数据I_b'对应 的标签图像G_b'计算Shape-Net网络约束下的约束函数，在先验形状约束网络 Shape-Net中，标签图像G_b'经过4个卷积块进行特征提取，得到形状特征B'(第 二高维特征)，形状特征B'中包含Shape-Net网络高维隐藏的空间信息{Z₀→Z_sim}， Z₀表示形状特征内轮廓空间信息,Z_sim表示形状特征外轮廓空间信息。

将BCA-UNet网络提取的高维特征A'与Shape-Net网络的形状特征B'进行 融合，输出特征图。融合的过程避免了肝脏图像在分割时边缘轮廓的丢失，缩 小了与标准分割图像的表面距离误差。

如图3所示为本实验实施例提供的形状约束过程图，Shape-Net先验形状约 束网络高维的隐藏空间Z₀→Z_sim特征映射肝脏形状信息，同时与主分割网络肝脏 图像形成相关性，通过肝脏边缘靠外一侧的特征(I_sim，G_sim)相似性计算与肝脏 边缘靠内一侧特征(I₀，G₀)相似性计算，用改进的主动轮廓损失优化整体分割。

进一步的，在一个实施例中，融合方法可以通过L_ACL约束函数对高维特征A' 和形状特征B'进行约束，主要目的是优化肝脏CT图像的边缘轮廓信息，缩小主 分割网络输出的第一高维特征与Shape-Net网络输出的第二高维特征的误差， L_ACL约束函数的表达式如下：

min(L_ACL(A',B')

其中，L_ACL表示改进的主动轮廓损失函数，A'表示BCA-UNet网络输出的 高维特征图像，B'表示Shape-Net网络输出的形状特征图像。

改进的主动轮廓损失函数L_ACL的计算方式包括：

S31、BCA-UNet网络输出的高维特征图像为A'，Shape-Net网络输出的形状 特征图像为B'，图像A'中坐标(i,j)像素点，水平方向像素值为

垂直方 向像素值为

Ω为高维特征图像的图像域，i,j表示该图像域中的坐标点， 最后计算两个方向相邻像素差值的平方得到图像边缘的长度Boundary，主要目的 是使肝脏边缘轮廓更光滑，公式如下：

其中，

中的x表示水平方向，

中的y表示垂直方向，参数∈取值1e-8。

S32、分别计算BCA-Unet网络输出的高维特征图像A'与Shape-Net网络输 出的形状特征图像B'边缘面积的差的最小值，

表示 BCA-Unet网络输出的高维特征图像靠边缘内部一侧轮廓的面积，其中C₁表示边 缘内部像素平均值，

表示BCA-Unet网络输出的高维特征 图像靠边缘外部一侧轮廓的面积，其中C₂表示边缘外部像素平均值。主要目的 是使肝脏边缘轮廓接近于真实值，公式如下：

其中C₁，C₂为分类参数，定义

本文为二分类分割，此 处取值C₁＝1，C₂＝0。

S33、构建一个二范数项Euclidean，

其中，BCA-UNet网络输出的高维特征图像像素值A'_i与Shape-Net网络输出 的形状特征图像像素值B'_i差值作为主动轮廓损失中的一项，弥补特征图像，中 间区域像素约束丢失的缺陷。

S34、根据公式(2)(3)(4)得到新的函数，即改进的主动轮廓损失函数L_ACL表达式如下：

其中，Boundary表示肝脏图像边缘长度的最小值，Region表示图像区域边缘 轮廓面积的最小值，Euclidean表示BCA-UNet网络输出的高维特征图像与 Shape-Net网络输出的形状特征图像的距离大小，参数λ用于权衡肝脏边缘轮廓 与Shape-Net网络输出的形状特征图像的吻合程度，参数μ用于指导肝脏轮廓区 域与Shape-Net网络输出的形状特征图像轮廓区域的匹配度。

S4、将步骤S3得到的特征图前向传输到BCA-UNet网络中，进行肝脏分割 网络的参数训练：BCA-UNet网络中包括两个分支：BC-Unet分支和BCA-UNet 分支，其中，BC-Unet分支表示没有经过注意力机制处理的双向卷积长短期记忆 网络分支，BCA-UNet分支表示经过注意力机制处理的双向卷积长短期记忆网络 分支。将步骤S3中的第一高维特征图输入BC-Unet分支经过3个双向卷积长短 期记忆模块(每个双向卷积长短期记忆模块中包含3个反卷积层和7个卷积层)， 得到第一预测结果pred1，即pred1←BC-UNet(I_b)；将步骤S3中得到的特征图， 输入BCA-UNet分支，首先经过3个双向卷积长短期记忆模块(每个双向卷积 长短期记忆模块中包含3个反卷积层和7个卷积层)，再经过注意力机制模块， 融合注意力机制得到第二预测结果pred2，即pred2←BCA-UNet(I_b)。根据网络训 练得到的模型参数预测分割结果，分别比较损失中是否有二范数项，对边缘分 割的影响，如图4所示为本实施例提供的图像边缘损失程度展示图，由附图4 可以看出图像中(c)列，改进的主动轮廓损失函数对网络优化的优势，体现在拥 有完整的肝脏边缘轮廓。

进一步的，在一个实施例中，BCA-UNet分支中的注意力机制模块基于 AttentionGate实现，根据输入图像X₁像素值的大小，取得每张图像像素权重φ， 并将像素权重φ作用于图像的局部特征之上，有助于提升肝脏区域的定位。注意 力机制模块的表达式如下：X₁*max(φ(X₁),0)。该注意力机制无法捕获上下文信息， 双向卷积长短期记忆网络能弥补该缺陷。因此在BCA-UNet分支中将双向卷积 长短期记忆网络与注意力机制融合能够使得最终的肝脏分割结果更加精确，提 高分割精度。

S5、根据第一预测结果pred1、第二预测结果pred2和标签图像G_b分别计算 混合损失函数L_{seg loss}。混合损失函数L_{seg loss}的表达式如下：

其中，L_{seg loss}表示输入肝脏CT图像进行分割的混合损失函数，α为第一权 重参数，用于权衡第一预测结果与标签图像的损失，β为第二权重参数，用于权 衡第二预测结果与标签图像的像素值损失，如图5所示为本实施例提供的一种 损失函数权值对dice指标的变化影响图，由实验结果Dice指标验证取值优选为 α＝0.3，β＝0.7，pred1表示第一预测结果(即输入肝脏CT图像的第一分割结果)， pred2表示第二预测结果(即输入肝脏CT图像的第二分割结果)，G_b表示标签 图像，N表示图像像素最大值，(G_b)_i表示图像G_b中对应像素点i的像素值，pred2_i表示属于第二预测结果pred2中对应像素点i的像素值，i的取值范围[1,N]。

S6、基于混合损失函数L_{seg loss}，利用Adam优化器更新肝脏分割模型的参数W_i，i＝1,...,N，每个批次后，通过总损失(L_{seg loss}+L_ACL)求解各参数误差，通过误 差反向传播来更新网络参数，具体步骤如下：

第一步，计算总损失(L_{seg loss}+L_ACL)，得到误差。

其中，L_{seg loss}表示输入肝脏CT图像进行分割的混合损失函数，α为第一权 重参数，用于权衡第一预测结果与标签图像的损失，β为第二权重参数，用于权 衡第二预测结果与标签图像的像素值损失，pred1表示第一预测结果(即输入肝 脏CT图像的第一分割结果)，pred2表示第二预测结果(即输入肝脏CT图像的 第二分割结果)，G_b表示标签图像，N表示图像像素最大值，(G_b)_i表示图像G_b中 对应像素点i的像素值，pred2_i表示属于第二预测结果pred2中对应像素点i的像 素值，i的取值范围[1,N]。改进的主动轮廓损失函数L_ACL对BCA-UNet网络输出 的高维特征A'和Shape-Net网络输出的形状特征B'进行约束，参数λ用于权衡肝 脏边缘轮廓与Shape-Net网络输出的形状特征图像的吻合程度，参数μ用于指导 肝脏轮廓区域与Shape-Net网络输出的形状特征图像轮廓区域的匹配度。图像A' 中坐标(i,j)像素点，水平方向像素值为

垂直方向像素值为

Ω为 高维特征图像的图像域，i,j表示该图像域中的坐标点

表示 BCA-Unet网络输出的高维特征图像靠边缘内部一侧轮廓的面积，其中C₁表示边 缘内部像素平均值，

表示BCA-UNet网络输出的高维特 征图像靠边缘外部一侧轮廓的面积，其中C₂表示边缘外部像素平均值。

第二步，利用Adam优化器更新肝脏分割模型的参数W_i，i＝1,...,N，使得在下 一个批次中计算的误差更小。参数更新步骤为：第一：计算t时间步的梯度g_t， 表达式为：

其中，

表示求梯度下降的最小值，J(·)表示 L_{seg loss}+L_ACL；第二：计算梯度的指数移动平均数，m₀初始化为0，β₁为指数衰 减率，默认为0.9，控制权重分配，公式可表示为：m_t＝β₁m_t-1+(1-β₁)g_t，其中， m_t表示t时间步的梯度的指数移动均值，m_t-1表示t-1时间步的梯度的指数移动 均值；第三：计算梯度平方的指数移动平均数，v₀初始化为0，β₂为指数衰减率， 默认为0.999，控制之前的梯度平方的影响情况，公式可表示为：

其中，v_t表示t时间步的梯度平方的指数移动平均数，v_t-1表 示t-1时间步的梯度平方的指数移动平均数；第四：由于m₀初始化为0，v₀初始 化为0，会导致m_t、v_t趋向于0，因此要对梯度均值进行偏差纠正，公式为：

第五：更新参数，即

lr为学习率。

第三步，计算参数

其中W为可学习参数(在网络中 自动调整)。

多次迭代进行上述的参数优化过程，当网络收敛到使得总损失(L_{seg loss}+L_ACL) 达到最小，或者迭代次数达到最大迭代次数为Epoch时，停止迭代过程，完成 参数优化，保存肝脏分割模型的最优参数为W_i，i＝1,...,N，得到训练好的肝脏分割 模型。

为了验证本发明的效果，进行了以下实验：

实验数据库：LiTS、3DIRCADb、CHAOS.

实验方法：

1)在LiTS数据库上，使用带标签的数据集130例。其中以105例数据 作为训练集，剩下的25例作为测试集，测试了分割结果中的重叠率与表面体积 误差。分别在UNet、UNet+Bidirectional ConvLSTM(UNetBi)、UNet+Attention Gate(UNetAtten)、UNet+Bidirectional ConvLSTM+Attention Gate(U NetBiAtten)、UNet+BidirectionalConvLSTM+Attention Gate+ShapeNet (UNetBiAtten+ShapeNet)模块下的训练结果进行比较，对比结果如表1所 示，可以看出，本发明在模块UNetBiAtten+ShapeNet下，表面距离误差的 指标上有优势，但是均方根对称表面距离误差仍然较大。

表1各个模块在LiTS数据集上的误差对比

2)在3DIRCADb数据集上，以18例带标注的数据集作为训练集，2 例作为测试集，计算分割结果中重叠率与表面体积误差。分别在UNet、U Net+Bidirectional ConvLSTM(UNetBi)、UNet+Attention Gate(UNetAtten)、 UNet+Bidirectional ConvLSTM+Attention Gate(UNetBiAtten)、UNet+Bi directional ConvLSTM+Attention Gate+ShapeNet(UNetBiAtten+ShapeN et)模块下的训练结果进行比较，对比结果如表2，可以看出，本发明误差 在缩小。

表2各个模块在3DIRCADb数据集上误差对比

3)为了验证本发明中损失函数的权值对Dice指标的影响，在CHA OS数据集上，分别取(0,1)区间内的值α＝0.1,0.3,0.5对应β＝0.9,0.7,0.5对 网络训练结果的影响，如附图5所示为本实施例提供的一种损失函数权值 对dice指标的变化影响图，由实验结果Dice指标验证取值优选为α＝0.3， β＝0.7。

需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全 部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序 可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法 实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-0nly Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述仅是本申请的具体实施方式，应当指出，对于本领域的普通技术 人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例 进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物 限定。

Claims (8)

1.一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，包括以下步骤：

输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将预处理后的肝脏CT图像输入训练好的边缘敏感特征融合的肝脏分割模型中，得到肝脏分割结果；

所述边缘敏感特征融合的肝脏分割模型先训练后使用，训练过程包括：

S1、利用Xavier方法初始化BCA-UNet网络；

S2、将预处理后的肝脏CT图像输入肝脏分割模型中，在主分割网络中经过7个卷积层和3个池化层进行特征提取，最终得到肝脏序列数据的第一高维特征；在先验形状约束网络中抽取肝脏CT图像的形状信息，提取第二高维特征；

S3、将主分割网络提取的第一高维特征与先验形状约束网络提取的第二高维特征进行融合，得到融合结果，即特征图；

S4、将特征图输入到主分割网络中进行肝脏分割网络的参数训练，具体地，将第一高维特征输入一个分支经过3个双向卷积长短期记忆模块，得到第一预测结果pred1，即pred1←BC-UNet(I_b)；将特征图输入另一个分支经过3个融合了注意力机制的双向卷积长短期记忆模块，得到第二预测结果pred2，即pred2←BCA-UNet(I_b)；

S5、根据第一预测结果pred1、第二预测结果pred2和标签图像G_b分别计算混合损失函数L_{seg loss}；

S6、基于混合损失函数L_{seg loss}，利用Adam优化器更新肝脏分割模型的参数W_i，i＝1,...,N，多次迭代后保存肝脏分割模型的最优参数为W_i，i＝1,...,N，得到训练好的肝脏分割模型。

2.根据权利要求1所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，所述预处理包括：

S01、使用HU值对灰度值进行调整变换去除不相关组织；

S02、使用MIN_MAX Scaling对肝脏CT图像进行归一化，归一化公式为：

其中，X是像素值，X_max，X_min分别是肝脏CT图像像素值的最大值与最小值；

S03、对输入肝脏CT图像进行数据增广。

3.根据权利要求1所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，所述边缘敏感特征融合的肝脏分割模型包括主分割网络和先验形状约束网络，其中主分割网络采用基于双向卷积长短期记忆模块的神经网络BCA-UNet，主分割网络中包括7个卷积层、3个池化层、3个双向卷积长短期记忆模块；先验形状约束网络采用基于自编码的神经网络，先验形状约束网络包括4个卷积块，4个反卷积块。

4.根据权利要求3所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，BCA-UNet包括两个分支：BC-Unet分支和BCA-UNet分支，其中，BC-Unet分支表示没有经过注意力机制处理的双向卷积长短期记忆网络分支，BCA-UNet分支表示经过注意力机制处理的双向卷积长短期记忆网络分支。

5.根据权利要求1所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，肝脏分割模型预测肝脏分割结果的计算表达式为：

其中，Y表示预测的肝脏分割结果，n为测试图像的数量，W_i表示为最优的权重，T_i表示肝脏测试图像。

6.根据权利要求1所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，混合损失函数L_{seg loss}的表达式如下：

L_{seg loss}＝α*L_{Dice Loss}+β*L_BCE

其中，L_{seg loss}表示输入肝脏CT图像进行分割的混合损失函数，α为第一权重参数，用于权衡第一预测结果与标签图像的损失，β为第二权重参数，用于权衡第二预测结果与标签图像的像素值损失，优选取值为α＝0.3，β＝0.7，L_{Dice Loss}表示dice分割指标损失函数，L_BCE表示二分类交叉熵损失函数，pred1表示第一预测结果，pred2表示第二预测结果，G_b表示标签图像，N表示图像像素最大值，a_i表示属于第二预测结果pred2中对应像素点i的像素值，b_i表示图像G_b中对应像素点i的像素值，i的取值范围[1,N]。

7.根据权利要求1所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，步骤S3中的融合方式采用L_ACL约束函数对高维特征A'和形状特征B'进行约束，L_ACL约束函数的表达式如下：

min(L_ACL(A',B')

其中，L_ACL表示改进的主动轮廓损失函数，A'表示BCA-UNet网络输出的高维特征图像，B'表示Shape-Net网络输出的形状特征图像；其中，Boundary表示肝脏图像边缘长度的最小值，Region表示图像区域边缘轮廓面积的最小值，Euclidean表示BCA-UNet网络输出的高维特征图像与Shape-Net网络输出的形状特征图像的距离大小，参数λ用于权衡肝脏边缘轮廓与Shape-Net网络输出的形状特征图像的吻合程度，参数∈用于指导肝脏轮廓区域与Shape-Net网络输出的形状特征图像轮廓区域的匹配度；图像A'中坐标(i,j)像素点，Ω为高维特征图像的图像域，i,j表示该图像域中的坐标点，

中的x表示水平方向，

中的y表示垂直方向，参数∈取值1e-8；C₁，C₂为分类参数，取值C₁＝1，C₂＝0。

8.根据权利要求1所述的一种基于先验形状约束的BCA-UNet肝脏分割方法，其特在于，步骤S6中，基于混合损失函数L_{seg loss}，利用Adam优化器更新肝脏分割模型的参数W_i，i＝1,...,N，多次迭代后保存肝脏分割模型的最优参数为W_i，i＝1,...,N，具体包括：

S61、计算总损失L_{seg loss}+L_ACL，得到误差；

S62、利用Adam优化器更新肝脏分割模型的参数W_i，i＝1,...,N，具体包括：

S621、计算t时间步的梯度g_t：

表示求梯度下降的最小值，J(·)表示L_{seg loss}+L_ACL；

S622、计算梯度的指数移动平均数，m₀初始化为0，β₁为指数衰减率，默认为0.9，控制权重分配，公式表示为：m_t＝β₁m_t-1+(1-β₁)g_t，其中，m_t表示t时间步的梯度的指数移动均值，m_t-1表示t-1时间步的梯度的指数移动均值；

S623、计算梯度平方的指数移动平均数，v₀初始化为0，β₂为指数衰减率，默认为0.999，控制之前的梯度平方的影响情况，公式表示为：

其中，v_t表示t时间步的梯度平方的指数移动平均数，v_t-1表示t-1时间步的梯度平方的指数移动平均数；

S624、对梯度均值进行偏差纠正，纠正公式为：

S625、更新参数，即

ε＝10^-8，lr为学习率；

S63、计算参数

其中W为可学习参数；

S64、多次迭代进行上述的参数优化过程，当网络收敛到使得总损失(L_{seg loss}+L_ACL)达到最小，或者迭代次数达到最大迭代次数为Epoch时，停止迭代过程，完成参数优化，保存肝脏分割模型的最优参数为W_i，i＝1,...,N。

Images