CN114998265A - 一种基于改进U-Net的肝脏肿瘤分割方法 - Google Patents
一种基于改进U-Net的肝脏肿瘤分割方法 Download PDFInfo
- Publication number
- CN114998265A CN114998265A CN202210630566.7A CN202210630566A CN114998265A CN 114998265 A CN114998265 A CN 114998265A CN 202210630566 A CN202210630566 A CN 202210630566A CN 114998265 A CN114998265 A CN 114998265A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- liver
- net
- training
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 60
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 46
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 44
- 210000004185 liver Anatomy 0.000 claims abstract description 22
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 238000006731 degradation reaction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003187 abdominal effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 18
- 238000003709 image segmentation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 201000007270 liver cancer Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000009982 effect on human Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进U‑Net的肝脏肿瘤分割方法，针对传统的U‑Net网络在形状、大小、位置复杂多变且边界模糊的肿瘤分割中信息丢失、分割精度低等问题，在U‑Net编码阶段使用混合空洞卷积替换原有卷积块，增大感受野、获取更多的上下文信息。在解码阶段使用密集上采样卷积替换原有上采样，捕获和解码更详细的信息；使用残差模块替换普通卷积块，加速模型的训练并防止网络退化。在每个跳跃连接之间加入注意力机制，使模型重点关注感兴趣区域，抑制冗余特征。使用FocalTversky损失函数以改善类不平衡问题，最后使用LiTS2017数据集对改进模型进行训练及测试。相较于传统U‑Net，本发明所述的改进模型在多个评价指标中表现较优，分割结果与金标准大体上接近并具有很强的鲁棒性，能够有效地解决肝脏及肝肿瘤的欠分割与过分割问题，具有一定的临床参考价值。
Description
技术领域
本发明属于医学图像处理领域，特别涉及一种基于改进U-Net的肝脏肿瘤分割方法。
背景技术
肝脏是人体新陈代谢的重要器官，对人体有着不可替代的重要作用。肝癌即肝脏恶性肿瘤，是世界上最常见的癌症疾病之一。肝癌已成为人类健康的巨大威胁，对其进行早期诊断可以显著降低患者死亡率。计算机断层扫描(CT，Computed Tomography)是肝癌检测的重要手段，也为医生进行肿瘤切除提供重要依据。然而传统的手动分割针对大小形态不一、边界模糊的肿瘤分割难度极大，对医生的临床经验有着很强的依赖性，且长时间的手动分割，医生会过度疲劳，极易出现误诊和漏诊的情况，因此手术前必须对肝脏和肿瘤的位置、形状有着精准的定位和分割，这对肝脏的治疗起着至关重要的作用。
考虑到手动分割存在的种种不足，研究者们就想研究出一种高效方便的、实用简单的、具有可重复性的、精度高的全自动医疗图像分割方法，能够取代费时费力的手动分割方法和依赖主观性较强的半自动分割方法。这样不但可以减轻人工分割的负担，还可以提高分割的效率和精确度，帮助医生对病人做出更全面的诊断和进一步的治疗，对指导临床诊断有重要价值，而且能够促进现代化医疗更进一步的发展。
医学图像的分割方法主要分为传统的医学图像分割方法、基于机器学习的医学图像分割方法和基于深度学习的医学图像分割方法。传统的医学图像分割方法主要有阈值法、主动轮廓、区域生长和水平集法，但并不适用于肿瘤分割这样的复杂任务。基于机器学习的医学图像分割方法主要有支持向量机、聚类方法等，但比较依赖于手动设计和选择肝肿瘤的特征，这需要研究人员有对应相关的专业知识。
近几年来，随着人工智能技术的发展，深度学习已经成为计算机视觉领域的一个研究热点，在图像分割领域广泛应用并且取得了瞩目成果，尤其是卷积神经网络(Convolutional Neural Network，CNN)的发展，使得图像的分类、分割、检测、识别等领域都取得了跨越式发展。特别是U-Net网络的出现，对于深度学习用于样本较少的医学影像的处理很有帮助，在医学图像分割中取得了巨大进展。然而U-Net网络将编码和解码阶段的特征图直接融合，忽略了不同通道特征的重要性，这会产生许多冗余信息。而且U-Net网络存在语义信息不全面和上下文信息联系不紧密的问题，针对肝脏肿瘤的分割精确度不够，对U-Net网络结构的改进可以提升其效率与精确度。
发明内容
本发明所解决的技术问题是针对U-Net网络存在语义信息不全面、上下文信息联系不紧密和U-Net网络将编码和解码阶段特征图简单拼接时产生大量冗余信息导致的分割精度低问题，提出一种基于改进U-Net的肝脏肿瘤分割方法。
一种基于改进U-Net的肝脏肿瘤分割方法，包括以下步骤：
步骤一：获取腹部CT数据集，并对数据集进行预处理；
步骤二：基于Pytorch深度学习框架搭建用于肝脏肿瘤分割的网络模型，在U-Net基础上进行改进，具体变化为：
在编码阶段使用混合空洞卷积替换原有卷积块，在解码阶段使用密集上采样卷积替换原始上采样，使用残差模块替换普通卷积块，在每个跳跃连接之间加入注意力机制；
步骤三：将预处理后的数据输入到基于改进U-Net的肝脏肿瘤分割网络中进行训练，得到最佳的网络模型；
步骤四：使用训练好的网络模型对经过预处理之后的待预测肝脏肿瘤CT图像进行分割，获取肝脏分割结果图和肿瘤分割结果图。
所述步骤一中的具体过程如下：
1)步骤一中所述的数据集来自于MICCAI2017LiTS挑战数据集，包括来自7个临床机构的131名患者的增强腹部CT影像，由经验丰富的放射科医生对肝肿瘤进行标注，LiTS是用于肝脏肿瘤分割的常用数据集，包含3D CT图像和对应的真实的分割掩码；
2)将数据集中的CT图像和对应的标签图像分为训练集、验证集和测试集；
3)对数据集图像进行去噪处理；设定阈值，将CT图像中灰度值在阈值之外的部分截断掉；对肝脏CT图像沿Z轴进行切片处理，切片后的CT图片像素大小为512×512。
所述步骤二中的具体过程如下：
1)构建的网络模型使用3次下采样和3次上采样，保留原始的U形对称结构；
2)在U-Net编码阶段使用混合空洞卷积替换原有卷积块，空洞率分别为1、2、3，卷积核大小为3，激活函数为ReLU，混合空洞卷积能够增大感受野、获取更多的上下文信息，同时能够避免空洞卷积产生的网格效应；在解码阶段使用密集上采样卷积替换原有上采样，捕获和解码更详细的信息；使用残差模块替换普通卷积块，加速模型的训练并防止网络退化；在每个跳跃连接之间加入注意力机制(CBAM)，CBAM能够使模型捕捉通道维度和空间维度上的重要特征信息，重点关注感兴趣区域，抑制冗余特征；在网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型。
所述步骤三中的具体过程如下：
1)在网络中输入训练集和验证集，使用训练集进行基于Pytorch搭建好的网络模型的训练，开始基于改进U-Net的肝脏分割网络和肝肿瘤分割网络的训练；通过前向传播对网络模型进行训练，然后通过softmax分类器输出预测的概率图，并选择损失函数；根据所述损失函数得到的计算误差，进行反向传播，更新网络模型中参数的值；重复上述过程直到损失函数值收敛到设定范围；对得到的网络模型进行验证，得到最佳的网络模型；
2)模型训练时使用Focal Tversky损失函数(FTL)用以解决肝脏肿瘤分割中的类不平衡问题；
3)验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，即网络收敛时提前结束训练，保存训练好的网络模型参数。
所述步骤四中的具体过程如下：
1)使用训练好的肝脏分割网络模型对测试集进行分割，得到最终的肝脏分割结果图；
2)使用训练好的肝肿瘤分割网络模型对测试集进行分割，得到最终的肿瘤分割结果图。
本发明的上述技术方案相比现有技术具有以下优点：
本发明在U-Net编码阶段使用混合空洞卷积替换原有卷积块，能够增大感受野、获取更多的上下文信息，同时能够避免空洞卷积产生的网格效应；在解码阶段使用密集上采样卷积替换原有上采样，捕获和解码更详细的信息；使用残差模块替换普通卷积块，加速模型的训练并防止网络退化；在每个跳跃连接之间加入注意力机制(CBAM)，能够使模型捕捉通道维度和空间维度上的重要特征信息，重点关注感兴趣区域，抑制冗余特征。与现有的主流分割方法相比较，本发明提高了网络模型的性能，能够取得较高的分割精度，并且增强了算法的鲁棒性。
附图说明
图1为本发明所述的方法流程图；
图2为本发明所述的改进U-Net网络结构图；
图3为本发明所述的混合空洞卷积原理图；
图4为本发明所述的密集上采样卷积原理图；
图5为本发明所述的残差模块原理图；
图6为本发明所述的注意力机制(CBAM)示意图；
图7为本发明所述的CBAM的子模块(CAM和SAM)示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明提供了一种基于改进U-Net的肝脏肿瘤分割方法，该方法实现了对肝脏肿瘤的分割，为临床诊断提供更精确的肝脏和肿瘤图像分割图。
图1为本发明的方法流程图，具体包括以下步骤：
步骤一：图像预处理，将LiTS肝脏肿瘤分割数据集变为网络所需的输入；
步骤二：构建改进的U-Net网络模型；
步骤三：将预处理后的数据输入到改进的U-Net网络中进行训练，在训练过程中不断更新网络的参数权重，得到最佳的网络模型；
步骤四：使用训练好的网络对待预测肝脏肿瘤CT图像进行测试，实现肝脏肿瘤分割任务，获取肝脏分割结果图和肿瘤分割结果图。
步骤一的具体过程如下：
1)获取肝脏肿瘤分割数据集，数据集采用了MICCAI提供的肝脏肿瘤公共数据集2017LiTS，该数据集包括来自7个临床机构的131名患者的增强腹部CT影像，由4名经验丰富的放射科医生对肝肿瘤进行手动标注，LiTS是用于肝脏肿瘤分割的常用数据集，包含3DCT图像和对应的真实分割掩码。从数据集中挑选80名患者的CT影像作为训练集，6名患者作为验证集，30名患者作为测试集，其中去除了13个不含肿瘤及2个损坏的数据。训练集的数据是参与到改进U-Net网络模型的训练过程当中的，验证集是在网络模型的训练过程中进行验证的，测试集是在训练结束之后使用训练好的网络模型来测试的；
2)在使用数据前，需要将CT图像数据进行预处理。对数据集图像进行去噪处理，把一些无关的信息和噪声去掉；设定阈值，将CT图像中灰度值在阈值之外的部分截断掉；对肝脏CT图像沿Z轴进行切片处理，其中训练集通过切片一共生成13316张切片数据，切片后的CT图片像素大小为512×512。
步骤二的具体过程如下：
1)构建的改进型U-Net网络使用3次下采样和3次上采样，保留原始的U形对称结构，具体网络结构如图2所示；
2)在U-Net编码阶段使用混合空洞卷积替换原有卷积块，空洞率分别为1、2、3，卷积核大小为3，激活函数为ReLU，混合空洞卷积能够增大感受野、获取更多的上下文信息，同时能够避免空洞卷积产生的网格效应，其原理如图3所示。
空洞卷积的感受野计算为：
K＝k+(k-1)(r-1)
其中k为原始卷积核大小，r为扩张率；
3)在解码阶段使用密集上采样卷积替换原有上采样，捕获和解码更详细的信息，其原理如图4所示；使用残差模块替换普通卷积块，加速模型的训练并防止网络退化，其原理如图5所示。
一个残差块表示为：
Xl+1＝Xl+F(Xl；Wl)
残差块分成直接映射部分和残差部分，其中Xl为直接映射部分，F(Xl；Wl)为残差部分；
4)在每个跳跃连接之间加入注意力机制(CBAM)，CBAM能够使模型捕捉通道维度和空间维度上的重要特征信息，重点关注感兴趣区域，抑制冗余特征，其结构如图6所示。CBAM包含两个独立的子模块，通道注意力模块(Channel Attention Module，CAM)和空间注意力模块(Spatial Attention Module，SAM)，其结构如图7所示。
通道注意力计算公式为：
其中σ为Sigmoid函数，MLP权值W0∈RC/r×C和W1∈RC×C/r为两个共享输入。
空间注意力计算公式为：
其中σ为Sigmoid函数，f7×7表示卷积核大小为7×7的卷积运算。
CBAM整体计算过程可以概括为：
式中
表示逐元素相乘，在乘法过程中，注意值被相应地传播：通道注意值沿着空间维度传播，反之亦然。F”为最终精炼输出；
5)在网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型。
步骤三的具体过程如下：
1)在网络中输入训练集和验证集，开始基于改进U-Net的肝脏分割网络和肝肿瘤分割网络的训练。采用Adam优化算法，其超参数设置为默认值，batch size设置为4。训练肝脏分割时，初始学习率设为0.001，训练肿瘤分割时，初始学习率设为0.0001，epoch都设为200。使用指数衰减策略调整学习率，衰减速率设为0.95，并采用L2正则化与dropout策略抑制过拟合。通过前向传播对网络模型进行训练，然后通过softmax分类器输出预测的概率图，并选择损失函数，根据所述损失函数得到的计算误差，进行反向传播，更新网络模型中参数的值，重复上述过程直到损失函数值收敛到设定范围。验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，即网络收敛时提前结束训练，保存训练好的网络模型参数，获取最佳的网络模型；
2)模型训练时使用Focal Tversky损失函数(FTL)用以解决肝脏肿瘤分割中的类不平衡问题，公式如下：
其中，pic是像素i属于病变类的概率，
是像素i属于非病变类的概率，gic和
是像素i是否属于标签的概率，ε提供数值稳定性防止结果为零。
步骤四的具体过程如下：
1)使用训练好的肝脏分割网络模型和肝肿瘤分割网络模型对测试集进行测试，本发明从131名患者的增强腹部CT影像中挑选30名患者作为测试集，将测试集以及样本标签图输入到训练好的网络中进行测试，得到最终的肝脏分割结果图和肿瘤分割结果图。
2)本发明使用医学图像分割中常用的Dice系数(Dice Similarity Coefficient,DSC)、召回率(Recall)和精确率(Precision)作为评价指标，其计算方式分别为：
其中，TP代表真阳性，是预测结果和专家手动标记的金标准重合的区域；FP代表假阳性，是预测结果不在金标准中的区域；FN代表假阴性，是指在金标准中但不在预测结果中的区域。本发明所述的分割方法在多个评价指标中表现较优，分割结果与金标准大体上接近并具有很强的鲁棒性，能够有效地解决肝脏及肝肿瘤的欠分割与过分割问题，具有一定的临床参考价值。
Claims (5)
1.一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，包括以下步骤：
步骤一：获取腹部CT数据集，并对数据集进行预处理；
步骤二：基于Pytorch深度学习框架搭建用于肝脏肿瘤分割的网络模型，在U-Net基础上进行改进，具体变化为：
在编码阶段使用混合空洞卷积替换原有卷积块，在解码阶段使用密集上采样卷积替换原始上采样，使用残差模块替换普通卷积块，在每个跳跃连接之间加入注意力机制；
步骤三：将预处理后的数据输入到基于改进U-Net的肝脏肿瘤分割网络中进行训练，得到最佳的网络模型；
步骤四：使用训练好的网络模型对经过预处理之后的待预测肝脏肿瘤CT图像进行分割，获取肝脏分割结果图和肿瘤分割结果图。
2.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤一中的具体过程如下：
1)步骤一中所述的数据集来自于MICCAI2017LiTS挑战数据集，包括来自7个临床机构的131名患者的增强腹部CT影像，由经验丰富的放射科医生对肝肿瘤进行标注，LiTS是用于肝脏肿瘤分割的常用数据集，包含3D CT图像和对应的真实的分割掩码；
2)将数据集中的CT图像和对应的标签图像分为训练集、验证集和测试集；
3)对数据集图像进行去噪处理；设定阈值，将CT图像中灰度值在阈值之外的部分截断掉；对肝脏CT图像沿Z轴进行切片处理，切片后的CT图片像素大小为512×512。
3.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤二中的具体过程如下：
1)构建的网络模型使用3次下采样和3次上采样，保留原始的U形对称结构；
2)在U-Net编码阶段使用混合空洞卷积替换原有卷积块，空洞率分别为1、2、3，卷积核大小为3，激活函数为ReLU，混合空洞卷积能够增大感受野、获取更多的上下文信息，同时能够避免空洞卷积产生的网格效应；在解码阶段使用密集上采样卷积替换原有上采样，捕获和解码更详细的信息；使用残差模块替换普通卷积块，加速模型的训练并防止网络退化；在每个跳跃连接之间加入注意力机制(CBAM)，CBAM能够使模型捕捉通道维度和空间维度上的重要特征信息，重点关注感兴趣区域，抑制冗余特征；在网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型。
4.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤三中的具体过程如下：
1)在网络中输入训练集和验证集，使用训练集进行基于Pytorch搭建好的网络模型的训练，开始基于改进U-Net的肝脏分割网络和肝肿瘤分割网络的训练；通过前向传播对网络模型进行训练，然后通过softmax分类器输出预测的概率图，并选择损失函数；根据所述损失函数得到的计算误差，进行反向传播，更新网络模型中参数的值；重复上述过程直到损失函数值收敛到设定范围；对得到的网络模型进行验证，得到最佳的网络模型；
2)模型训练时使用Focal Tversky损失函数(FTL)用以解决肝脏肿瘤分割中的类不平衡问题；
3)验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，即网络收敛时提前结束训练，保存训练好的网络模型参数。
5.根据权利要求1所述的一种基于改进U-Net的肝脏肿瘤分割方法，其特征在于，所述步骤四中的具体过程如下：
1)使用训练好的肝脏分割网络模型对测试集进行分割，得到最终的肝脏分割结果图；
2)使用训练好的肝肿瘤分割网络模型对测试集进行分割，得到最终的肿瘤分割结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210630566.7A CN114998265A (zh) | 2022-06-06 | 2022-06-06 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210630566.7A CN114998265A (zh) | 2022-06-06 | 2022-06-06 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998265A true CN114998265A (zh) | 2022-09-02 |
Family
ID=83032992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210630566.7A Pending CN114998265A (zh) | 2022-06-06 | 2022-06-06 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998265A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205967A (zh) * | 2023-04-27 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 医学影像语义分割方法、装置、设备及介质 |
| CN116256720A (zh) * | 2023-05-09 | 2023-06-13 | 武汉大学 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
| CN116883669A (zh) * | 2023-08-03 | 2023-10-13 | 深圳扬奇医芯智能科技有限公司 | 一种基于动态注意力联邦框架的多目标分割技术 |
| CN116912301A (zh) * | 2023-02-23 | 2023-10-20 | 浙江大学 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
-
2022
- 2022-06-06 CN CN202210630566.7A patent/CN114998265A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912301A (zh) * | 2023-02-23 | 2023-10-20 | 浙江大学 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
| CN116205967A (zh) * | 2023-04-27 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 医学影像语义分割方法、装置、设备及介质 |
| CN116256720A (zh) * | 2023-05-09 | 2023-06-13 | 武汉大学 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
| CN116256720B (zh) * | 2023-05-09 | 2023-10-13 | 武汉大学 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
| CN116883669A (zh) * | 2023-08-03 | 2023-10-13 | 深圳扬奇医芯智能科技有限公司 | 一种基于动态注意力联邦框架的多目标分割技术 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11580646B2 (en) | Medical image segmentation method based on U-Net | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN110675406A (zh) | 基于残差双注意力深度网络的ct图像肾脏分割算法 | |
| WO2023221954A1 (zh) | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 | |
| CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
| CN112927255B (zh) | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 | |
| CN110930397A (zh) | 一种磁共振图像分割方法、装置、终端设备及存储介质 | |
| CN114240962B (zh) | 一种基于深度学习的ct图像肝脏肿瘤区域自动分割方法 | |
| CN111179237B (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
| CN114066866B (zh) | 一种基于深度学习的医学图像自动分割方法 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
| Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN112767407B (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
| Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
| CN116703901B (zh) | 肺部医学ct影像分割及分类装置及设备 | |
| CN113034507A (zh) | 基于ccta影像的冠状动脉三维分割方法 | |
| CN112381846A (zh) | 一种基于非对称网络的超声甲状腺结节分割方法 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| CN113052857A (zh) | 一种基于CovSegNet的肺部病变图像分割方法 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN116091458A (zh) | 一种基于互补注意力的胰腺图像分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |