一种肿瘤自动分割系统、方法及电子设备技术方案

本申请涉及一种肿瘤自动分割系统、方法及电子设备。包括：步骤a：获取肿瘤部位的原始图像；步骤b：对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；步骤c：结合U‑Net网络、注意力机制及双阶段级联架构构建MILU‑Net网络模型，所述MILU‑Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；步骤d：将所述间距、强度分布和形状数据输入MILU‑Net网络模型，得到肿瘤分割结果。本申请通过结合多种分割网络特性的网络架构的特点，取长补短，改善现有的单调网络框架，提高了模型的泛化性能和分割精度，同时也提高了训练效率。

An automatic tumor segmentation system, method and electronic equipment

【技术实现步骤摘要】
一种肿瘤自动分割系统、方法及电子设备
本申请属于医学图像处理
，特别涉及一种肿瘤自动分割系统、方法及电子设备。
技术介绍
目前治疗肿瘤的手段通常是通过肿瘤切除、放射治疗等，而肿瘤切除往往是最有效的方式。想要进行精确的切除，不但需要医师具备极其丰富的临床经验，还需要借助科学技术手段精确了解肿瘤的形状、位置等信息。CT是肿瘤检测的重要手段，也是医生进行肿瘤切除的重要依据。目前在实际的临床工作中，主要通过专业的医生手动标注肿瘤区域，这需要标注医师有丰富的标注经验，因为每个人的肿瘤形状复杂多变，在CT图中也会有不同的表现形式。每一套CT图都会产生几百张到上千张不等数量的图片，如果让医生通过观察每张图片去确定是否有病灶以及病灶的大小和位置，就会花费大量宝贵的时间和人力。而且长时间的手工分割，非常容易使医生过度疲劳，导致误诊及漏诊的情况。以肾脏肿瘤分割为例，肾脏肿瘤的手动分割对医生的医学学术水平和临床经验要求很高，如果手动分割肾脏肿瘤的医生经验不足，就不能得到准确的分割结果，并且即使是经验丰富的专家和医生，在不同的时间一幅图像的病灶区域也会有可能不同，其一致性和可重复性是难以得到保证的，同时也会对分割结果的精度和后期进行医学图像的分析造成一定的影响。所以为了获得更加精准的分割结果，必然需要科学技术的辅助，在这种情况下，就出现了很多半自动分割方法。半自动分割是结合手工操作和计算机处理相交互的一种方式。虽然半自动分割方法的分割速度确实要比医生手动分割快了很多，但是在分割精度上可能会比手动分割的精度要低一些，而且半自动分割依然需要结合手工操作，这和完全的手工分割存在一样的问题，那就是医生或者专家的专业水平和临床经验很大程度上决定了最后的分割结果。随着深度学习的发展，基于深度学习的图像处理方法在医学图像分割中得到了广泛的应用。有研究者提出了全自动的、不依赖医生主观意识的、精度高的医疗图像分割方法，如卷积神经网络(ConvolutionalNeuralNetwork,CNN)、全卷积神经网络(FullyConvolutionalNetwork,FCN)、U-Net和V-Net等，不仅可以让医生从繁重且枯燥的手工分割工作中解脱出来，而且还可以提高分割的效率和分割的精度，促进现代化医疗的进一步发展。然而，由于不同的网络结构具有不同的分割特性，会对某些肿瘤区域产生不同情况的分割偏移区域，现有基于深度学习的肿瘤分割方法还存在以下不足：一、CNN的网络结构较为单一，且全连接层的加入使得网络整体训练参数较为庞大，计算较为复杂，信息量大，网络训练时间较长，分割精度较差。二、基于CNN改进的FCN网络的整体分割精度依然较低，且基于像素的分类没有考虑像素之间的关系，缺乏空间一致性。此后又在这些经典网络架构基础上提出了一些分割网络架构，但分割精度仍都较不理想。
技术实现思路
本申请提供了一种肿瘤自动分割系统、方法及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。为了解决上述问题，本申请提供了如下技术方案：一种肿瘤自动分割方法，包括以下步骤：步骤a：获取肿瘤部位的原始图像；步骤b：对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；步骤c：结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；步骤d：将所述间距、强度分布和形状数据输入MILU-Net网络模型，得到肿瘤分割结果。本申请实施例采取的技术方案还包括：在所述步骤c中，所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层；所述MILU-Net网络呈U形对称结构，分为编码-解码两个阶段；所述编码阶段是特征提取部分，为U型结构的左侧部分，所述编码阶段融入了多尺度输入机制的最小化信息损失模块，所述最小化信息损失模块通过空洞卷积获取图像中的信息；所述解码阶段是特征复原部分，为U型结构的右侧部分，所述解码阶段融合了注意力机制模块，所述注意力机制模块用于抑制图像中的不相关区域。本申请实施例采取的技术方案还包括：所述最小化信息损失模块应用在下采样阶段，其包括空洞卷积层、卷积层、修正线性单元、归一化层；所述编码阶段的特征提取方式具体为：所述图像经过空洞卷积层获取全局信息，将分辨率变为与同级层图像相同的分辨率，再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加，然后由两个连续的3x3的卷积层进行特征提取操作，再由一个3x3的最大池化进行下采样操作，且以所述图像特征通道数30开始，每进行一次下采样操作后，图像的特征通道数都进行加倍。本申请实施例采取的技术方案还包括：所述解码阶段包括4个block+1个概率输出层，所述四个block分别由一个上采样层和两个3x3卷积组成；所述解码阶段的特征复原方式具体为：将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中，经过所述注意力机制模块计算每个像素的重要系数，再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分，且每进行一次反卷积上采样时，图像特征通道数减半，最后通过1x1的sigmoid层输出每个像素所属的概率图。本申请实施例采取的技术方案还包括：所述双阶段级联架构模块包括两部分，第一部分以原始图像作为输入，包括全分辨率的肿瘤二值金标准和原始图像，第二部分以第一部分输出的二值预测分割结果图为基础，进行裁剪操作，去除肿瘤以外的无关部分，并重新输入到训练网络中，输出的结果再按照原位置插回到原始图像中，得到最终的肿瘤分割结果。本申请实施例采取的另一技术方案为：一种肿瘤自动分割系统，包括：图像获取模块：用于获取肿瘤部位的原始图像；图像处理模块：用于对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；网络构建模块：用于结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；结果输出模块：用于将所述间距、强度分布和形状数据输入MILU-Net网络模型，得到肿瘤分割结果。本申请实施例采取的技术方案还包括：所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层；所述MILU-Net网络呈U形对称结构，分为编码-解码两个阶段；所述编码阶段是特征提取部分，为U型结构的左侧部分，所述编码阶段融入了多尺度输入机制的最小化信息损失模块，所述最小化信息损失模块通过空洞卷积获取图像中的信息；所述解码阶段是特征复原部分，为U型结构的右侧部分，所述解码阶段融合了注意力机制模块，所述注意力机制模块用于抑制图像中的不相关区域。本申请实施例采取的技术方案还包括：所述最小化信息损失模块应用在下采样阶段，其包括空洞卷积层、卷积层、修正线性单元、归一本文档来自技高网...

【技术保护点】
1.一种肿瘤自动分割方法，其特征在于，包括以下步骤：/n步骤a：获取肿瘤部位的原始图像；/n步骤b：对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；/n步骤c：结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；/n步骤d：将所述间距、强度分布和形状数据输入MILU-Net网络模型，得到肿瘤分割结果。/n

【技术特征摘要】
1.一种肿瘤自动分割方法，其特征在于，包括以下步骤：
步骤a：获取肿瘤部位的原始图像；
步骤b：对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；
步骤c：结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模块、注意力机制模块和双阶段级联架构模块；
步骤d：将所述间距、强度分布和形状数据输入MILU-Net网络模型，得到肿瘤分割结果。


2.根据权利要求1所述的肿瘤自动分割方法，其特征在于，在所述步骤c中，所述MILU-Net网络模型包括卷积层、修正线性单元、池化层、dropout层、上采样层；所述MILU-Net网络呈U形对称结构，分为编码-解码两个阶段；所述编码阶段是特征提取部分，为U型结构的左侧部分，所述编码阶段融入了多尺度输入机制的最小化信息损失模块，所述最小化信息损失模块通过空洞卷积获取图像中的信息；所述解码阶段是特征复原部分，为U型结构的右侧部分，所述解码阶段融合了注意力机制模块，所述注意力机制模块用于抑制图像中的不相关区域。


3.根据权利要求2所述的肿瘤自动分割方法，其特征在于，所述最小化信息损失模块应用在下采样阶段，其包括空洞卷积层、卷积层、修正线性单元、归一化层；所述编码阶段的特征提取方式具体为：所述图像经过空洞卷积层获取全局信息，将分辨率变为与同级层图像相同的分辨率，再由三个block将上层传入的特征图与最小化信息损失模块获取的信息相加，然后由两个连续的3x3的卷积层进行特征提取操作，再由一个3x3的最大池化进行下采样操作，且以所述图像特征通道数30开始，每进行一次下采样操作后，图像的特征通道数都进行加倍。


4.根据权利要求3所述的肿瘤自动分割方法，其特征在于，所述解码阶段包括4个block+1个概率输出层，所述四个block分别由一个上采样层和两个3x3卷积组成；所述解码阶段的特征复原方式具体为：将编码阶段的信息通过1x1的卷积操作和卷积操作后的信息直接连接到注意力机制模块中，经过所述注意力机制模块计算每个像素的重要系数，再与原始信息的对应点相乘使网络将注意力聚集在肿瘤部分，且每进行一次反卷积上采样时，图像特征通道数减半，最后通过1x1的sigmoid层输出每个像素所属的概率图。


5.根据权利要求1至4所述的肿瘤自动分割方法，其特征在于，所述双阶段级联架构模块包括两部分，第一部分以原始图像作为输入，包括全分辨率的肿瘤二值金标准和原始图像，第二部分以第一部分输出的二值预测分割结果图为基础，进行裁剪操作，去除肿瘤以外的无关部分，并重新输入到训练网络中，输出的结果再按照原位置插回到原始图像中，得到最终的肿瘤分割结果。


6.一种肿瘤自动分割系统，其特征在于，包括：
图像获取模块：用于获取肿瘤部位的原始图像；
图像处理模块：用于对所述原始图像进行剪裁处理，保留图像的非零区域，分析图像并获取间距、强度分布和形状数据；
网络构建模块：用于结合U-Net网络、注意力机制及双阶段级联架构构建MILU-Net网络模型，所述MILU-Net网络模型包括最小化信息损失模...

【专利技术属性】
技术研发人员：贾富仓，刘宇白，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44