CN117197454A - 一种肝脏及肝肿瘤数据分割方法及系统 - Google Patents
一种肝脏及肝肿瘤数据分割方法及系统 Download PDFInfo
- Publication number
- CN117197454A CN117197454A CN202311063338.7A CN202311063338A CN117197454A CN 117197454 A CN117197454 A CN 117197454A CN 202311063338 A CN202311063338 A CN 202311063338A CN 117197454 A CN117197454 A CN 117197454A
- Authority
- CN
- China
- Prior art keywords
- liver
- segmentation
- liver tumor
- data
- rescla
- 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 190
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 175
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 175
- 210000004185 liver Anatomy 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 230000007246 mechanism Effects 0.000 claims abstract description 64
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 8
- 238000001125 extrusion Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 5
- 210000001015 abdomen Anatomy 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000005012 migration Effects 0.000 abstract description 2
- 238000013508 migration Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000002372 labelling Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种肝脏及肝肿瘤数据分割方法及系统，基于Unet网络模型，提出了长距离注意力机制和多特征融合模块，并利用网络的层级结构设计出了跨层注意力机制；将跨层注意力机制和多特征融合模块嵌入到Unet网络当中，结合残差结构，构建ResCLA‑MNet分割网络模型；使用LiTS肝脏及肝肿瘤公开CT数据集进行训练、验证，并测试网络模型的分割性能；利用3DircaDb‑01肝脏及肝肿瘤CT数据集测试ResCLA‑MNet网络模型的泛化性能，以保证网络具有一定的数据迁移适用性；收集医院腹部肝脏及肝肿瘤CT数据集，利用训练完成的网络模型在数据集上进行实践，验证网络的应用效果。本发明在Unet的基础上，借鉴Unet网络架构，结合注意力机制和多特征融合的优势，提高了网络模型对肝脏及肝肿瘤的分割准确率。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种肝脏及肝肿瘤数据分割方法及系统。
背景技术
以往对肝脏及肝肿瘤的分割需要依靠专业医生的标注，这需要医生具有一定的经验，往往会带来误诊和漏诊等问题。借助计算机辅助技术，使用计算机对目标区域进行自动化精准分割有着重要的意义。
第一，手动标注耗时耗力，一位患者的肝脏部位CT图像拥有多达数百张切片，对每一张切片进行标注十分消耗医生的精力和时间，而使用计算机辅助分割可以大大提高分割的效率。
第二，人工分割具有一定主观性，且十分依赖医生的专业水平，不同水平的医生分割的结果不尽相同，利用计算机辅助的自动分割方法可以避免这一问题。
第三，这种自动化地高效率分割可以给医生后续的诊断治疗提供相关病灶病情等定量信息，为医生接下来的手术及治疗方案制定提供重要的定量参考和决策依据。
基于注意力机制和多特征融合的肝脏及肝肿瘤CT图像自动分割方法能够较高效率地识别并分割出腹部CT图像中的肝脏及肝肿瘤，具有很高的实践应用价值。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种肝脏及肝肿瘤数据分割方法及系统，利用Unet基准网络模型，结合残差结构，嵌入跨层注意力机制和多特征融合模块来提高网络模型对肝脏及肝肿瘤的分割准确率，用于解决肝脏及肝肿瘤数据无法精准分割的技术问题。
本发明采用以下技术方案：
一种肝脏及肝肿瘤数据分割方法，包括以下步骤：
S1、分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；
S2、构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用步骤S1得到的LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；
S3、使用步骤S2训练好的ResCLA-MNet分割网络模型对步骤S1得到的3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；
S4、将步骤S1预处理后的待分割肝脏及肝肿瘤CT数据集输入到步骤S2和步骤S3训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
具体的，步骤S1中，分别对LiTS、3DircaDb-01肝脏及肝肿瘤公开CT数据集和待分割肝脏及肝肿瘤CT数据集进行窗口化处理和直方图均衡化处理；然后采取翻转、旋转和加噪处理对直方图均衡化处理后的数据集进行扩增，最后对LiTS肝脏及肝肿瘤数据集进行划分得到肝脏和肝肿瘤的训练集、验证集、测试集，得到3DircaDb-01肝脏和肝肿瘤数据集用于泛化性测试；预处理后的待分割肝脏及肝肿瘤数据集用于检验。
进一步的，窗口化后的灰度值F(i)表示如下：
其中，f(i)表示原始灰度值，Ww表示窗口宽度，Wc表示窗口中心。
具体的，步骤S2具体为：
S201、构建跨层注意力机制和多特征融合模块，并将其与残差结构一同嵌入Unet网络中，得到ResCLA-MNet网络模型；
S202、对步骤S201得到的ResCLA-MNet网络模型中的模块进行移除，得到ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络；
S203、使用步骤S1得到的LiTS肝脏和肝肿瘤训练集、验证集对步骤S202得到的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络分别进行训练和验证，并使用步骤S1得到的LiTS肝脏和肝肿瘤测试集对训练好的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络分别进行测试；采用Dice系数，Jaccard系数和Precision指标对测试结果进行评价，并得到网络分割的肝脏及肝肿瘤轮廓效果图。
进一步的，步骤S201具体为：
S2011、对于跨层注意力机制模块，首先构建长距离注意力机制，利用条形池化对CT图像的横向和竖向特征进行压缩并拼接，通过卷积操作提取特征后对拼接信息进行拆分，再通过卷积恢复信息通道数，利用Sigmoid操作获取注意力权重，并利用矩阵乘法获取与原图像尺寸相同的注意力权重，将权重赋予给原图像，完成长距离注意力权重的赋予；
S2012、完成长距离注意力权重的赋予后，添加挤压与激励注意力机制，并对机制进行改进，使得输出的注意力权重尺寸实现跨层传递，称长距离注意力机制和挤压与激励注意力机制整体为跨层注意力机制模块；
S2013、对于多特征融合模块，将长距离注意力机制(LDA)加入到Unet的跳跃连接中，并使用深度可分离卷积将上层跳跃连接中的信息传递给下层的跳跃连接，称这部分模块为多特征融合模块；
S2014、以Unet分割网络模型为基础，在Unet的下采样过程中加入跨层注意力机制模块，在跳跃链接中加入多特征融合模块，并在下采样卷积过程中加入残差结构，构建得到ResCLA-MNet分割网络模型。
进一步的，步骤S202中，设置ResUnet，Res-MNet，ResCLA-Net，ResCLA-Mnet分割网络的优化器为Adam优化器，激活函数为ReLU激活函数和Sigmoid激活函数，初始学习率0.0001，学习衰减率设置为0.9，迭代次数100，输入图像尺寸为512×512，批量大小设置为4，损失函数为交叉熵损失函数：
其中，表示预测像素y属于目标类的概率，y为样本标签；
Dice损失函数为：
其中，X表示真实的样本标签，Y表示模型预测的分割图像。
进一步的，步骤S203中，Dice系数指标Dice(X,Y)，Jaccard相似系数指标Jaccard(X,Y)和准确率Precesion(X,Y)计算如下：
其中，TP表示正样本中被正确分类的样本量；FN表示正样本中被错误分类的样本量；FP表示负样本中被错误分类的样本量。
具体的，步骤S3中，采用Dice系数、Jaccard相似系数和准确率作为评价指标，对步骤S2得到的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络的参数进行保存，利用3DircaDb-01肝脏和肝肿瘤数据集进行测试，得到评价指标以及分割轮廓展示图。
具体的，步骤S4具体为：
S401、对待分割肝脏和肝肿瘤CT数据进行直方图均衡化，并进行加噪处理，得到未加噪的肝脏和肝肿瘤CT和加噪后的肝脏和肝肿瘤CT图像；
S402、使用步骤S2中训练好的ResCLA-MNet分割网络模型对未加噪的原始数据进行肝脏及肝肿瘤分割，肝脏分割的平均Dice值为0.814，肝肿瘤分割的平均Dice值为0.662；
S403、使用步骤S2中训练好的ResCLA-MNet分割网络模型对加噪的数据进行肝脏及肝肿瘤分割，肝脏分割的平均Dice值为0.774，肝肿瘤分割的平均Dice值为0.608。
第二方面，本发明实施例提供了一种肝脏及肝肿瘤数据分割系统，包括：
数据模块，分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；
网络模块，构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用数据模块得到的LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；
测试模块，使用网络模块训练好的ResCLA-MNet分割网络模型对数据模块得到的3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；
分割模块，将数据模块预处理后的待分割肝脏及肝肿瘤CT数据集输入到网络模块和测试模块训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
与现有技术相比，本发明至少具有以下有益效果：
肝脏及肝肿瘤数据分割方法，使用Unet网络为基础网络对目标器官进行分割；使用跨层注意力机制，为图像数据赋予不同权重，使网络能够更加关注目标器官；将图像数据的多特征进行融合，可以结合肝脏及肝肿瘤不同层级的图像特征，对其充分利用，提高肝脏及肝肿瘤分割的精度。
进一步的，对初始数据进行窗口化操作和直方图均衡化以及数据增强等预处理操作，保证了CT图像的区分度，对比度并扩充了数据。原始CT图像的HU值范围较大，显示的图像对比度很差，其中的不同器官无法通过肉眼进行有效地观察，同时，较大的HU值范围对后续分割实验不利。为了避免上述情况，本发明使用了图像预处理方法，利用窗口化操作，根据肝脏器官的特点，通过调整位窗和位宽两个参数，对图像中的HU值进行调整，使得CT图像中的各个器官具有一定的区分度；利用直方图均衡化，将图像的直方图变为近似分布，以增强图像对比度，加快网络训练的收敛速度；利用图像增强方法对肝脏和肝肿瘤数据进行扩充，增加了数据量。
进一步的，利用带有残差结构的Unet网络作为基准分割网络，保证了网络分割结果的下限，对后续的网络设计起到了重要作用。Unet网络广泛应用于医学图像分割和目标检测等领域，其包含了编码器、解码器和跳跃连接三个部分。编码器结构包含卷积和池化操作，通过3×3的卷积提取图像特征信息并利用最大池化增大感受野，使得网络学习到更多语义信息；解码部分通过上采样和卷积操作，将底层特征恢复到原图像尺寸，同时使得包含了高级语义特征的低分辨率图像在保留语义特征的同时还原为高分辨率图像；跳跃连接将编码和解码两部分连接起来，实现了浅层特征和深层特征的融合，使得网络能够较为充分地利用上下文信息；残差结构能够防止反向传播过程中的梯度爆炸或梯度消失的问题，同时加快网络的训练速度。相比于传统的人工分割方法，Unet网络的效率和分割精度均有明显提升。
进一步的，将注意力机制加入到分割网络中，能够使分割网络更加关注肝脏和肝肿瘤目标区域，在得到与目标更加相关特征的同时，能够有效提高肝脏和肝肿瘤的分割效果；传统Unet中，通过编码结构来提炼出CT图像数据中肝脏和肝肿瘤的深层特征，但是目标器官边界的不规则以及大小形状均影响着特征的提取，单纯的卷积和下采样会失去目标的细节特征，从而对整体的分割效果产生影响；注意力机制通过给予待分割目标与背景相应的权重，来使得网络在分割时更加关注待分割目标的空间信息和通道信息，更大权重的肝脏及肝肿瘤区域会更容易被分割网络感知并精确分割出来，这样即使在目标边界不规则和大小形状复杂的情况下，网络能够达到良好的分割效果。
进一步的，在编码部分将上层信息传递给下层，使特征融合更加均匀高效。Unet网络的每个层级只接受来自卷积后下采样的信息，而无其它信息交流，这种做法较为单一；在编码过程中，将注意力机制提取出的特征信息跨层传递到下一层，不仅可以加强层与层之间的信息交流，还有利于后续跳跃连接的特征融合过程，使得特征融合中的信息更加均衡，融合过程更加高效，以达到更高的分割精度。
进一步的，构建多特征融合模块，将其放入到Unet的跳跃连接过程中，能够缓解语义鸿沟和特征信息不均衡的问题，提高了肝脏与肝肿瘤的分割精度。原始的跳跃连接结构单一，简单的将编码阶段的特征信息和解码阶段的特征信息拼接起来，这会导致一定的语义鸿沟问题。通过多特征融合模块，将相邻层的跳跃连接联系起来，通过深度可分离卷积，使上层跳跃连接获得的空间注意力特征信息与下层跳跃连接获得的空间注意力特征信息融合在一起，从而在特征融合阶段加入更多与目标相关的信息，弥补语义鸿沟的问题，后续再通过通道注意力和1×1卷积获取通道注意力信息并整理获得的特征信息，最后实现跳跃连接中的特征融合。通过上下层的多特征融合模块，结合不同层特征的信息，使网络获得与待分割目标相关的更加丰富的特征信息，提高肝脏及肝肿瘤分割的精度。
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明使用Unet分割网络模型作为基准框架，在Unet中加入了残差结构优化编码过程，防止了梯度爆炸的情况；利用注意力机制使网络更加关注目标区域的空间和通道信息，提高了网络对不同大小形状目标的边界分割精度；将跨层的想法融入到分割网络模型中，加强了网络层与层之间的信息交流，使得特征融合更加均衡高效；加入多特征融合模块，弥补了跳跃连接的语义鸿沟问题。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的总体流程图；
图2为本发明中数据集的建立流程示意图；
图3为数据集预处理展示图；
图4为长距离注意力机制构建示意图；
图5为跨层注意力机制以及挤压与激励注意力机制改进示意图；
图6为多特征融合模块示意图；
图7为残差结构示意图；
图8为ResCLA-MNet网络模型结构示意图；
图9为肝脏训练过程的损失函数曲线；
图10为肝肿瘤训练过程的损失函数曲线；
图11为LiTS数据集上肝脏及肝肿瘤分割轮廓展示图；
图12为3DircaDb-01数据集上的实验流程图；
图13为3DircaDb-01数据集上肝脏及肝肿瘤分割轮廓展示图；
图14为西安交通大学第二附属医院患者原始CT数据展示图；
图15为医院图像预处理数据展示图；
图16为原始肝脏数据分割结果展示图；
图17为原始肝肿瘤数据分割结果展示图；
图18为加噪后肝脏数据分割结果展示图；
图19为加噪后肝肿瘤数据分割结果展示图。
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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种肝脏及肝肿瘤数据分割方法，基于Unet网络模型，提出长距离注意力机制和多特征融合模块，并利用网络的层级结构设计出了跨层注意力机制；将跨层注意力机制和多特征融合模块嵌入到Unet网络模型中，结合残差结构，构建了ResCLA-MNet分割网络模型；使用LiTS肝脏及肝肿瘤公开CT数据集进行训练、验证，并测试网络模型的分割性能；利用3DircaDb-01肝脏及肝肿瘤公开CT数据集测试ResCLA-MNet网络模型的泛化性能，以保证网络模型具有一定的数据迁移适用性；收集医院腹部肝脏及肝肿瘤CT数据集，利用训练完成的网络模型在医院数据集上进行实践，验证网络的应用效果。本发明在Unet网络模型的基础上，借鉴Unet网络架构，结合注意力机制和多特征融合的优势，提高了网络模型对肝脏及肝肿瘤的分割准确率。
请参阅图1，本发明一种肝脏及肝肿瘤数据分割方法，以带有残差结构的Unet网络模型为基础，将注意力机制嵌入网络中，使得网络更能够关注待分割目标的空间细节信息和通道信息，使得肝脏及肝肿瘤分割更加精准；在编码阶段实现跨层连接，加强了网络层级之间的信息交互，使得特征融合更加均衡高效；在跳跃连接中加入多特征融合模块，使得信息可以在跳跃连接中跨层传递并进行融合，缓解语义鸿沟的问题，提高肝脏及肝肿瘤分割的准确率；包括以下步骤：
S1、分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及医院待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；
S101、数据集获取
本发明获取了两组公开数据集LiTS和3DircaDb-01用于肝脏肝肿瘤CT图像数据集的建立。LiTS数据集共包含131位患者的肝脏及肝肿瘤CT图像，图像平面分辨率分布在0.5mm～1.0mm之间，z轴分辨率分布在0.45mm～6.0mm之间，z轴上切片数量为42～1026之间，每位患者的肿瘤数量为0至75个不等；3DircaDb-01数据集共包含20位患者，其中15位患者数据中存在肝肿瘤，肿瘤数量在1～46之间。两种数据的图像分辨率均为512×512。
S102、数据预处理和划分
依据腹部CT图像中肝脏器官的特点，采用窗口化技术处理、直方图均衡化和图像增强作为数据的预处理方式，最终得到LiTS肝脏训练验证集17583张，肝脏测试集2567张，以及肝肿瘤训练验证集7935张，肝肿瘤测试集1156张。此外，还获得了3DircaDb-01肝脏数据集2074张和肝肿瘤数据集523张。
请参阅图2，实施过程如下：
S1021、根据医生标注结果，从患者的数据文件中提取出含有肝脏及肝肿瘤的CT图像切片，以及它们对应的医生标注的结果。切片数量与步骤S102中所描述的相同；
S1022、对CT图像切片采取窗口化技术处理，窗口化技术的计算过程如下：
其中，F(i)表示窗口化后的灰度值，f(i)表示原始灰度值，Ww表示窗口宽度，Wc表示窗口中心，窗口宽度和窗口中心分别设置为250和45。
S1023、对窗口化后的图像采用直方图均衡化，对比度限制设置为2.0，分块大小设置为8×8；
S1024、对直方图均衡化后的图像进行增强，包括随即旋转、翻转以及加噪，预处理展示图如图3所示。
其中加入的噪声为均值在[0,1]区间，方差在[0，3]区间的随机高斯噪声，加入噪声的概率分布如下：
其中，μ表示均值，σ表示方差。
S2、构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用步骤S1得到的LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验。
请参阅图4至图11，具体步骤如下：
S201、构建跨层注意力机制和多特征融合模块，并将其与残差结构结合一同嵌入到Unet网络模型中，得到ResCLA-MNet分割网络模型；
模块的构建过程具体如下：
S2011、对于跨层注意力机制模块，首先构建长距离注意力机制。利用条形池化对CT图像的横向和竖向特征进行压缩并拼接，后续通过卷积操作提取特征后对拼接信息进行拆分，再通过卷积恢复信息通道数。利用Sigmoid操作获取注意力权重，并利用矩阵乘法获取与原图像尺寸相同的注意力权重，将权重赋予给原图像，完成长距离注意力权重的赋予，这部分如图4所示；
S2012、完成长距离注意力权重的赋予后，添加挤压与激励注意力机制，并对此机制进行改进，使得输出的注意力权重尺寸可以实现跨层传递，称长距离注意力机制和挤压与激励注意力机制整体为跨层注意力机制，挤压与激励注意力机制的改进方式与跨层注意力机制(CLA)如图5所示；
S2013、对于多特征融合模块，将长距离注意力机制(LDA)加入到Unet的跳跃连接中，并使用深度可分离卷积将上层跳跃连接中的信息传递给下层的跳跃连接，称这部分模块为多特征融合模块，实现方式如图6所示；
S2014、以Unet分割网络模型为基础，在Unet的下采样过程中加入跨层注意力机制，在跳跃链接中加入多特征融合模块，并在下采样卷积过程中加入残差结构，构建得到ResCLA-MNet分割网络模型，残差结构如图7所示，网络整体结构如图8所示。
S202、对步骤S201得到的ResCLA-MNet网络模型中的模块进行移除，得到ResUnet，Res-Mnet，ResCLA-Net分割网络；使用步骤S1得到的LiTS肝脏和肝肿瘤训练集、验证集对步骤S202得到的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络分别进行训练和验证；
参数设置为：优化器为Adam优化器，激活函数为ReLU激活函数和Sigmoid激活函数，初始学习率0.0001，学习衰减率设置为0.9，迭代次数100，输入图像尺寸为512×512，批量大小设置为4，损失函数为交叉熵损失函数和Dice损失函数。
ReLU激活函数的计算公式如下：
ReLU(x)＝max(x,0)
其中，x表示图像中的像素。ReLU激活函数将值小于0的部分全部归零以实现单侧抑制。
Sigmoid激活函数的计算公式如下：
其中，x表示图像中的单个像素。Sigmoid激活函数将像素映射到(0,1)之间，以获得像素分类的概率，值越大说明该像素点属于目标区域的可能性越大。
交叉熵损失函数的计算公式如下：
其中，表示预测像素y属于目标类的概率，y为样本标签，当/>时，说明预测像素点与标签相同，此时交叉熵损失函数的值为0。
Dice损失函数的计算公式如下：
其中，X表示真实的样本标签，Y表示模型预测的分割图像。当预测图像与样本标签相同时，Dice损失函数的值为0。
ResCLA-MNet分割网络模型的肝脏训练损失函数曲线如图9所示，肝肿瘤训练损失函数曲线如图10所示。
S203、使用步骤S1得到的LiTS肝脏和肝肿瘤测试集对训练好的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络模型分别进行测试；采用Dice系数，Jaccard相似系数和Precision准确率三个评价指标对模型测试结果进行评价，并得到网络模型分割的肝脏及肝肿瘤轮廓效果图。
评价指标计算公式如下：
其中，TP表示正样本中被正确分类的样本量；FN表示正样本中被错误分类的样本量；FP表示负样本中被错误分类的样本量。
标准差的计算方式如下：
其中，n表示样本数量。
ResCLA-MNet分割网络模型在LiTS肝脏及肝肿瘤测试集上最终得到的分割指标结果如表1和表2所示。
表1LiTS肝脏测试集分割实验结果(平均值±标准差)
表2LiTS肝肿瘤测试集分割实验结果(平均值±标准差)
ResCLA-MNet分割网络模型对LiTS肝脏及肝肿瘤测试集的分割效果如图11所示。
S3、使用步骤S2训练好的ResCLA-MNet分割网络模型对步骤S1得到的3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓效果图。
请参阅图12，具体步骤如下：
S301、对步骤S2中得到的四种分割网络模型参数进行保存，不经二次训练，直接在3DircaDb-01肝脏及肝肿瘤数据集上分别进行测试，并得到网络模型分割的肝脏及肝肿瘤评价指标结果以及轮廓效果图；
S302、评价指标采用步骤S203所述的Dice系数、Jaccard相似系数和Precision准确率，得到的分割指标结果如表3和表4所示。
表3 3DircaDb-01肝脏数据集分割实验结果(平均值±标准差)
表4 3DircaDb-01肝肿瘤数据集分割实验结果(平均值±标准差)
ResCLA-MNet分割网络模型对3DircaDb-01肝脏及肝肿瘤数据集的分割效果如图13所示。
S4、将步骤S1预处理后的医院待分割肝脏及肝肿瘤CT数据集输入到步骤S2和S3训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓图，实现医院肝脏及肝肿瘤CT数据分割。
对从西安交通大学第二附属医院采集到的16张患者CT图像数据进行预处理并加噪得到待分割的肝脏及肝肿瘤数据集，加噪后得到共计32张CT图像数据，如图14所示，使用步骤S2中训练好的ResCLA-MNet网络模型对其进行分割，获得分割评价指标和分割轮廓图。
具体步骤如下：
S401、对从西安交通大学第二附属医院采集到的16张患者CT图像数据(如图14所示)进行直方图均衡化，并进行加噪处理，加噪后得到共计32张CT图像数据，其中16张为未加噪的肝脏及肝肿瘤图像，16张为加噪的肝脏及肝肿瘤图像，预处理后的图像如图15所示；
S402、使用步骤S2和S3训练测试好的ResCLA-MNet分割网络模型对未加噪的原始数据进行肝脏及肝肿瘤分割，肝脏分割的平均Dice值为0.814，肝肿瘤分割的平均Dice值为0.662，肝脏分割轮廓效果图如图16所示，肝肿瘤分割轮廓效果图如图17所示；
S403、使用步骤S2和S3训练测试好的ResCLA-MNet分割网络模型对加噪的数据进行肝脏及肝肿瘤分割，肝脏分割的平均Dice值为0.774，肝肿瘤分割的平均Dice值为0.608，肝脏分割轮廓效果图如图18所示，肝肿瘤分割轮廓效果图如图19所示。
本发明再一个实施例中，提供一种肝脏及肝肿瘤数据分割系统，该系统能够用于实现上述肝脏及肝肿瘤数据分割方法，具体的，该肝脏及肝肿瘤数据分割系统包括数据模块、网络模块、测试模块以及分割模块。
其中，数据模块，分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；
网络模块，构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用数据模块得到的LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；
测试模块，使用网络模块训练好的ResCLA-MNet分割网络模型对数据模块得到的3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；
分割模块，将数据模块预处理后的待分割肝脏及肝肿瘤CT数据集输入到网络模块和测试模块训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于肝脏及肝肿瘤数据分割方法的操作，包括：
分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；使用训练好的ResCLA-MNet分割网络模型对3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；将预处理后的待分割肝脏及肝肿瘤CT数据集输入到训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关肝脏及肝肿瘤数据分割方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；使用训练好的ResCLA-MNet分割网络模型对3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；将预处理后的待分割肝脏及肝肿瘤CT数据集输入到训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
综上所述，本发明一种肝脏及肝肿瘤数据分割方法及系统，首先对肝脏及肝肿瘤CT数据进行预处理；其次利用跨层注意力机制和多特征融合模块，结合残差结构构建了ResCLA-MNet分割网络模型，结合注意力机制和多特征融合模块的优势特点，提高了网络模型对于肝脏及肝肿瘤的分割精度；最后将网络模型应用于现实场景下，验证了本发明的准确性和可行性。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random-Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种肝脏及肝肿瘤数据分割方法，其特征在于，包括以下步骤：
S1、分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；
S2、构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用步骤S1得到的LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；
S3、使用步骤S2训练好的ResCLA-MNet分割网络模型对步骤S1得到的3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；
S4、将步骤S1预处理后的待分割肝脏及肝肿瘤CT数据集输入到步骤S2和步骤S3训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
2.根据权利要求1所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S1中，分别对LiTS、3DircaDb-01肝脏及肝肿瘤公开CT数据集和待分割肝脏及肝肿瘤CT数据集进行窗口化处理和直方图均衡化处理；然后采取翻转、旋转和加噪处理对直方图均衡化处理后的数据集进行扩增，最后对LiTS肝脏及肝肿瘤数据集进行划分得到肝脏和肝肿瘤的训练集、验证集、测试集，得到3DircaDb-01肝脏和肝肿瘤数据集用于泛化性测试；预处理后的待分割肝脏及肝肿瘤数据集用于检验。
3.根据权利要求2所述的肝脏及肝肿瘤数据分割方法，其特征在于，窗口化后的灰度值F(i)表示如下：
其中，f(i)表示原始灰度值，Ww表示窗口宽度，Wc表示窗口中心。
4.根据权利要求1所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S2具体为：
S201、构建跨层注意力机制和多特征融合模块，并将其与残差结构一同嵌入Unet网络中，得到ResCLA-MNet网络模型；
S202、对步骤S201得到的ResCLA-MNet网络模型中的模块进行移除，得到ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络；
S203、使用步骤S1得到的LiTS肝脏和肝肿瘤训练集、验证集对步骤S202得到的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络分别进行训练和验证，并使用步骤S1得到的LiTS肝脏和肝肿瘤测试集对训练好的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络分别进行测试；采用Dice系数，Jaccard系数和Precision指标对测试结果进行评价，并得到网络分割的肝脏及肝肿瘤轮廓效果图。
5.根据权利要求4所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S201具体为：
S2011、对于跨层注意力机制模块，首先构建长距离注意力机制，利用条形池化对CT图像的横向和竖向特征进行压缩并拼接，通过卷积操作提取特征后对拼接信息进行拆分，再通过卷积恢复信息通道数，利用Sigmoid操作获取注意力权重，并利用矩阵乘法获取与原图像尺寸相同的注意力权重，将权重赋予给原图像，完成长距离注意力权重的赋予；
S2012、完成长距离注意力权重的赋予后，添加挤压与激励注意力机制，并对机制进行改进，使得输出的注意力权重尺寸实现跨层传递，称长距离注意力机制和挤压与激励注意力机制整体为跨层注意力机制模块；
S2013、对于多特征融合模块，将长距离注意力机制(LDA)加入到Unet的跳跃连接中，并使用深度可分离卷积将上层跳跃连接中的信息传递给下层的跳跃连接，称这部分模块为多特征融合模块；
S2014、以Unet分割网络模型为基础，在Unet的下采样过程中加入跨层注意力机制模块，在跳跃链接中加入多特征融合模块，并在下采样卷积过程中加入残差结构，构建得到ResCLA-MNet分割网络模型。
6.根据权利要求4所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S202中，设置ResUnet，Res-MNet，ResCLA-Net，ResCLA-MNet分割网络的优化器为Adam优化器，激活函数为ReLU激活函数和Sigmoid激活函数，初始学习率0.0001，学习衰减率设置为0.9，迭代次数100，输入图像尺寸为512×512，批量大小设置为4，损失函数为交叉熵损失函数：
其中，表示预测像素y属于目标类的概率，y为样本标签；
Dice损失函数为：
其中，X表示真实的样本标签，Y表示模型预测的分割图像。
7.根据权利要求4所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S203中，Dice系数指标Dice(X,Y)，Jaccard相似系数指标Jaccard(X,Y)和准确率Precesion(X,Y)计算如下：
其中，TP表示正样本中被正确分类的样本量；FN表示正样本中被错误分类的样本量；FP表示负样本中被错误分类的样本量。
8.根据权利要求1所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S3中，采用Dice系数、Jaccard相似系数和准确率作为评价指标，对步骤S2得到的ResUnet，Res-Mnet，ResCLA-Net和ResCLA-MNet分割网络的参数进行保存，利用3DircaDb-01肝脏和肝肿瘤数据集进行测试，得到评价指标以及分割轮廓展示图。
9.根据权利要求1所述的肝脏及肝肿瘤数据分割方法，其特征在于，步骤S4具体为：
S401、对待分割肝脏和肝肿瘤CT数据进行直方图均衡化，并进行加噪处理，得到未加噪的肝脏和肝肿瘤CT和加噪后的肝脏和肝肿瘤CT图像；
S402、使用步骤S2中训练好的ResCLA-MNet分割网络模型对未加噪的原始数据进行肝脏及肝肿瘤分割，肝脏分割的平均Dice值为0.814，肝肿瘤分割的平均Dice值为0.662；
S403、使用步骤S2中训练好的ResCLA-MNet分割网络模型对加噪的数据进行肝脏及肝肿瘤分割，肝脏分割的平均Dice值为0.774，肝肿瘤分割的平均Dice值为0.608。
10.一种肝脏及肝肿瘤数据分割系统，其特征在于，包括：
数据模块，分别对LiTS和3DircaDb-01肝脏及肝肿瘤公开CT数据集，以及待分割肝脏及肝肿瘤CT数据集进行预处理，将预处理后的LiTS肝脏及肝肿瘤数据集划分为训练集、验证集和测试集；
网络模块，构建具有跨层注意力机制和多特征融合模块的ResCLA-MNet分割网络模型，使用数据模块得到的LiTS肝脏及肝肿瘤训练集、验证集和测试集对ResCLA-MNet分割网络模型进行训练、验证、测试以及消融实验；
测试模块，使用网络模块训练好的ResCLA-MNet分割网络模型对数据模块得到的3DircaDb-01肝脏及肝肿瘤数据集进行泛化性测试，得到泛化性测试的评价指标结果以及分割轮廓展示图；
分割模块，将数据模块预处理后的待分割肝脏及肝肿瘤CT数据集输入到网络模块和测试模块训练测试好的ResCLA-MNet分割网络模型中，得到模型分割的评价指标结果和分割轮廓展示图，实现肝脏及肝肿瘤CT数据分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311063338.7A CN117197454A (zh) | 2023-08-22 | 2023-08-22 | 一种肝脏及肝肿瘤数据分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311063338.7A CN117197454A (zh) | 2023-08-22 | 2023-08-22 | 一种肝脏及肝肿瘤数据分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197454A true CN117197454A (zh) | 2023-12-08 |
Family
ID=88998980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311063338.7A Pending CN117197454A (zh) | 2023-08-22 | 2023-08-22 | 一种肝脏及肝肿瘤数据分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197454A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495882A (zh) * | 2023-12-28 | 2024-02-02 | 无锡学院 | 一种基于AGCH-Net和多尺度融合的肝脏肿瘤CT图像分割方法 |
-
2023
- 2023-08-22 CN CN202311063338.7A patent/CN117197454A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495882A (zh) * | 2023-12-28 | 2024-02-02 | 无锡学院 | 一种基于AGCH-Net和多尺度融合的肝脏肿瘤CT图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN115661144B (zh) | 基于可变形U-Net的自适应医学图像分割方法 | |
| CN113808146B (zh) | 一种医学图像多器官分割方法及系统 | |
| CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| CN112712528B (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
| Binder et al. | Multi-organ gland segmentation using deep learning | |
| CN112767417B (zh) | 一种基于级联U-Net网络的多模态图像分割方法 | |
| CN114742802B (zh) | 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法 | |
| CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
| CN117197454A (zh) | 一种肝脏及肝肿瘤数据分割方法及系统 | |
| CN112598656A (zh) | 一种基于UNet++优化和权值预算的脑肿瘤分割算法 | |
| CN111179269A (zh) | 一种基于多视图和3维卷积融合策略的pet图像分割方法 | |
| CN110942464A (zh) | 一种融合2维和3维模型的pet图像分割方法 | |
| CN114972362A (zh) | 一种基于RMAU-Net网络的医学图像自动分割方法与系统 | |
| CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
| CN115131369A (zh) | 一种基于3DA-U-Nets架构的CT图像肝脏肿瘤分割方法 | |
| CN110827963A (zh) | 针对病理图像的语义分割方法和电子设备 | |
| CN110942465A (zh) | 一种基于ResUnet的3视图PET图像分割方法 | |
| CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| CN113706475A (zh) | 基于图像分割的置信度分析方法及装置 | |
| Li et al. | Contrast enhancement for cDNA microarray image based on fourth-order moment | |
| CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 |
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 |