CN114494199A - 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的肝脏CT肿瘤分割与分类的方法，包括如下步骤：对肝脏CT图像进行预处理，按照X,Y方向的分辨率进行插值，进行重采样，寻找数据，构建训练数据，2D Dense U‑Net进行肝脏和肿瘤分割，3DDense U‑Net提取对应的三维特征，组成生成对抗网络。本发明属于肝脏CT肿瘤分割与分类方法技术领域，具体是指一种利用深度学习技术，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，具有非常大的应用前景的基于深度学习的肝脏CT肿瘤分割与分类的方法。

Description

一种基于深度学习的肝脏CT肿瘤分割与分类的方法

技术领域

本发明属于肝脏CT肿瘤分割与分类方法技术领域，具体是指一种基于深度学习的肝脏CT肿瘤分割与分类的方法。

背景技术

在世界范围内，肝癌的发病率高居第六，致死率位列第四。肝癌早期症状不易察觉，每当患者出现临床症状，往往已经达到了肝癌的中晚期，这就导致治愈几率大大降低。因此，肝脏肿瘤的早发现、早诊断、早治疗是肝脏肿瘤诊断治疗研究的重要课题之一。腹部计算机断层扫描(CT)是检测肝脏疾病的常用医学影像方法，在试剂临床工作中，主要通过专业的医生手工分割肝脏肿瘤，再根据临床经验对分割出来的肝脏肿瘤进行分类判断，不仅效率低，而且对医生的医学水平和临床经验要求很高。因此，本发明研究一种自动、快速、准确且适合临床应用的肝脏肿瘤CT图像分割与分类方法具有重要意义。现有技术的缺点：

1.肝脏区域以及肿瘤分割算法精度不高；

2.目前大部分研究都集中在肝脏以及肿瘤的分割上，并未有对分割出来的肿瘤进行分类。

专利CN202110049310.2，设计了一种基于深度学习的对肝脏肿瘤进行分割的方法，其与传统的图像分割算法、基于机器学习的分割算法进行对比，使用类似u-net的网络结构进行训练,解决了传统分割方法的时效性、通用性、和准确性，但是目前主流的分割方法都已使用深度学习方法，因此其方法缺少理论上的创新。专利CN202110493749.4，本发明提供一种基于深度学习的肝脏图像分割方法，通过利用粗分割神经网络和细分割神经网络对腹部CT图像进行处理，提高肝脏分割的效果，但是其得到最终分割结果需要经过两个不同的网络模型，中间得到的结果需要裁剪成图像块再输入下一级的网络，并不能端到端的得到最终的结果。本发明利用深度学习技术，对肝脏肿瘤部分就行分割，深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征，其肝脏肿瘤分割结果优于传统算法，因此，将深度学习用于肝脏肿瘤的图像处理中，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，具有非常大的应用前景。

发明内容

为了解决上述难题，本发明提供了一种利用深度学习技术，对肝脏肿瘤部分就行分割，深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征，其肝脏肿瘤分割结果优于传统算法，将深度学习用于肝脏肿瘤的图像处理中，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，具有非常大的应用前景的基于深度学习的肝脏CT肿瘤分割与分类的方法。

为了实现上述功能，本发明采取的技术方案如下：一种基于深度学习的肝脏CT肿瘤分割与分类的方法，包括如下步骤：

(一)对肝脏CT图像进行预处理，根据将原始CT图像截取到[-200,250]，即Hu值小于-200的设置为-200，大于250的设置为250；

(二)在Z轴方向，按照X,Y方向的分辨率进行插值，进行重采样，统一X，Y，Z轴的分辨率；

(三)根据掩模图像寻找X_min,X_max,Y_min,Y_max,Z_min,Z_max，像在三维坐标中计算掩模的最小外接立方体；

(四)为丰富样本多样性，根据最小外接立方体，在Z轴上向上向下扩展15张，以此作为训练数据；

(五)为了充分提取高阶特征，首先使用了2D Dense U-Net，融合密集连接和U-Net连接的优点，2D Dense U-Net进行肝脏和肿瘤分割表示为：

X_2d＝f_2d(I_2d；θ_2d),X_2d∈R^{12n×224×224×64},

将2D Dense UNet的特征图转换为体积形状，如下：

X_2d′＝f_2d(I_2d；θ_2d),X_2d′∈R^{12n×224×224×64},

(六)通过3DDense U-Net提取对应的三维特征，将步骤(四)得到的三维数据，每次输入训练时在Z轴上随机选择64张输入进行训练，联合优化混合特征融合层中的混合特征，将3DDense U-Net

通过原始体积I与来自2D网络的信息

连接起来，提取三维特征，3D Dense U-Net被描述为：

Z＝X_3d+X_2d′ (3)

然后再HHF层联合学习和优化混合特征，

(七)为了得到更好的分割效果，把U-Net网络分割结果的作为生成器G，选择性能较优的鉴别企D，组成生成对抗网络，在U-Net网络的基础上通过批量鉴别器不断加强鉴伪能力，进一步提升肿瘤分割的精度。传统的GAN神经网络中存在一些问题，例如模式坍塌，即只模仿真实肝脏肿瘤分割图片的一部分特征，然而WGAN神经网络通过使用Wassersteindistance，即一种新的目标函数，克服了这些问题，Wasserstein distance极小极大化了生成器G和鉴别器D之间的运算，公式如下：

进一步地，所述步骤(五)中I∈R^{n×224×224×12×1}表示输入训练样本(对于224×224×12个输入卷)，n表示批次大小输入训练样本，其中X_2d来自上采样层，

是输入I_2d的相应像素概率。

进一步地，所述步骤(六)中Z表示混合特征，分别来自2D和3D网络的切片内和切片间特征的总和。

进一步地，所述步骤(七)中

表示真实的数据分布，

而表示生成器生成的数据分布，z是基于均匀分布的随机数字。

本发明采取上述结构取得有益效果如下：本发明提供的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，利用深度学习技术，对肝脏肿瘤部分就行分割，深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征，其肝脏肿瘤分割结果优于传统算法，将深度学习用于肝脏肿瘤的图像处理中，可以辅助医生进行肝癌的早期筛查和诊断，能够大大减轻医生的工作量，提高肝癌诊断的准确率，传统的GAN神经网络中存在一些问题，例如模式坍塌，即只模仿真实肝脏肿瘤分割图片的一部分特征，然而WGAN神经网络通过使用Wasserstein distance，即一种新的目标函数，克服了这些问题。Wasserstein distance极小极大化了生成器G和鉴别器D之间的运算，具有非常大的应用前景。

附图说明

图1为本发明一种基于深度学习的肝脏CT肿瘤分割与分类的方法的系统流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

实施例1

本发明一种基于深度学习的肝脏CT肿瘤分割与分类的方法，包括如下步骤：

(一)对肝脏CT图像进行预处理，根据将原始CT图像截取到[-200,250]，即Hu值小于-200的设置为-200，大于250的设置为250；

(二)在Z轴方向，按照X,Y方向的分辨率进行插值，进行重采样，统一X，Y，Z轴的分辨率；

(三)根据掩模图像寻找X_min,X_max,Y_min,Y_max,Z_min,Z_max，像在三维坐标中计算掩模的最小外接立方体；

(四)为丰富样本多样性，根据最小外接立方体，在Z轴上向上向下扩展15张，以此作为训练数据；

(五)为了充分提取高阶特征，首先使用了2D Dense U-Net，2D DenseU-Net进行肝脏和肿瘤分割表示为：

X_2d＝f_2d(I_2d；θ_2d),X_2d∈R^{12n×224×224×64},

其中I∈R^{n×224×224×12×1}表示输入训练样本(对于224×224×12个输入卷)，n表示批次大小输入训练样本，其中X_2d来自上采样层，

是输入I_2d的相应像素概率将2D Dense UNet的特征图转换为体积形状，如下：

X_2d′＝f_2d(I_2d；θ_2d),X_2d′∈R^{12n×224×224×64},

(六)通过3DDense U-Net提取对应的三维特征，将步骤(四)得到的三维数据，每次输入训练时在Z轴上随机选择64张输入进行训练，联合优化混合特征融合层中的混合特征，将3DDense U-Net通过原始体积I与来自2D网络的信息

连接起来，提取三维特征，3DDense U-Net被描述为：

中Z表示混合特征，分别来自2D和3D网络的切片内和切片间特征的总和，然后再HHF层联合学习和优化混合特征，

(七)为了得到更好的分割效果，把U-Net网络分割结果的作为生成器G，选择性能较优的鉴别企D，组成生成对抗网络，公式如下：

其中

表示真实的数据分布，

而表示生成器生成的数据分布，z是基于均匀分布的随机数字。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (4)

1.一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于，包括如下步骤：

(一)对肝脏CT图像进行预处理，根据将原始CT图像截取到[-200,250]，即Hu值小于-200的设置为-200，大于250的设置为250；

(二)在Z轴方向，按照X,Y方向的分辨率进行插值，进行重采样，统一X，Y，Z轴的分辨率；

(三)根据掩模图像寻找X_min,X_max,Y_min,Y_max,Z_min,Z_max，像在三维坐标中计算掩模的最小外接立方体；

(四)为丰富样本多样性，根据最小外接立方体，在Z轴上向上向下扩展15张，以此作为训练数据；

(五)为了充分提取高阶特征，首先使用了2D Dense U-Net，2D DenseU-Net进行肝脏和肿瘤分割表示为：

X_2d＝f_2d(I_2d；θ_2d),X_2d∈R^{12n×224×224×64},

将2D Dense UNet的特征图转换为体积形状，如下：

X_2d′＝f_2d(I_2d；θ_2d),X_2d′∈R^{12n×224×224×64},

(六)通过3DDense U-Net提取对应的三维特征，将步骤(四)得到的三维数据，每次输入训练时在Z轴上随机选择64张输入进行训练，联合优化混合特征融合层中的混合特征，将3DDense U-Net通过原始体积I与来自2D网络的信息

连接起来，提取三维特征，3DDense U-Net被描述为：

然后再HHF层联合学习和优化混合特征，

(七)为了得到更好的分割效果，把U-Net网络分割结果的作为生成器G，选择性能较优的鉴别企D，组成生成对抗网络，公式如下：

2.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于：所述步骤(五)中I∈R^{n×224×224×12×1}表示输入训练样本，n表示批次大小输入训练样本，其中X_2d来自上采样层，

是输入I_2d的相应像素概率。

3.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于：所述步骤(六)中Z表示混合特征，分别来自2D和3D网络的切片内和切片间特征的总和。

4.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法，其特征在于：所述步骤(七)中

表示真实的数据分布，

而表示生成器生成的数据分布，z是基于均匀分布的随机数字。

Images