一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法技术

本发明专利技术公开了一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，包括：采集腹部CT扫描中包含肾脏的图像序列，对每个图像序列中的肾脏及肿瘤进行标注，生成对应的标注掩码,构建数据集Dataset；对Dataset进行P1预处理操作，构建肾脏(包括肿瘤)分割的U型深度网络模型M1；对Dataset中的图像序列与对应的标注掩码进行裁剪，取出只有肾脏(或肿瘤)的体素部分，进行P2预处理操作，基于门控卷积层构建肿瘤分割的深度网络分割模型M2；分别对模型M1、M2进行训练；通过模型M1和M2的级联处理分割出肾脏肿瘤区域。本发明专利技术通过网络级联的两阶段分割模型，并联合门控卷积层构建了用于肿瘤分割的深度网络模型，能够对癌变肾脏的形状变化保持鲁棒，有效分割出不同尺寸的肿瘤。

【技术实现步骤摘要】
一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法所属
本专利技术涉及计算机、软件类以及人工智能技术等领域，尤其涉及基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法。
技术介绍
医学图像成像技术在科学技术的迅速发展中取得了巨大的进步，该技术集现代医学、物理学、电子信息和计算机技术等诸多技术于一体，已经成为医学领域不可或缺的重要手段。计算机断层扫描(ComputedTomography，简称CT)是当前广泛使用的医学成像方式，能够准确全面地描述人体器官、组织和病灶的详细特征，使得专业医师能够更直接、更清晰地对病变部位进行非侵入式观察，以便及时制定有效的治疗方案，从而提高疾病的确诊效率和治愈率。肾脏是泌尿系统的关键组成部分，担任着调节酸碱平衡和新陈代谢等重要功能，由于人们生活节奏的加快和工作压力的增大，导致各种肾脏疾病不断增加。肾肿瘤是常见的肾脏疾病，即“肾癌”，也叫肾细胞癌，起源于肾上皮的恶性肿瘤，其病理类型复杂，临床表现殊异。相比于其他医学成像方式，CT图像能够在较好地呈现和区分出肾癌的病变特性，成为医生对肾脏疾病进行初步诊断和后续跟进的重要依据。在临床治疗中，准确分割出肾脏和病变区域对于病情诊断，功能评估和治疗决策非常重要。早期的分割工作是由有经验的医生手动勾画的，这种分割方式主观性强、效率低并且分割结果无法复现，不能很好地满足临床要求，已经无法满足当前的定量诊断需求。随着现代科学技术的发展，使得利用计算机技术实现医学图像分割成为可能，研究人员开始纷纷探索自动分割的方法。然而，准确可靠地分割出CT图像中的肾脏存在一些难点，比如：CT图像对比度低，肾脏与相邻的器官和组织之间边界模糊，个体形状存在差异，肾脏内部的水和空气容易引起噪声和空洞等。对于肾癌患者而言，由于肿瘤尺寸多样，且与正常肾脏组织像素值相近，以致边界难以区分，使得分割CT图像中的肾脏肿瘤存在诸多挑战。因此，开发用于CT图像中的肾脏肿瘤的全自动分割算法有着很实际的研究意义。目前，深度学习在各个领域均取得了显著的成果，其优越性得益于卷积神经网络能够自动提取特征的能力，使得深度学习模型能够普遍适用于不同任务，并且这种优势随着相关理论的不断深入表现地越来越明显，使之迅速发展成大数据时代的主流技术。近年来，用于医学图像分割的深度学习模型逐渐出现在当前的研究之中。虽然卷积神经网络能够自动提取有效的特征，但是针对CT图像肾脏肿瘤分割问题，仍存在对于肾脏形态变化不够鲁棒，以及肿瘤分割不够准确等问题。建立图像肾脏肿瘤的精确分割模型可为临床提供定量诊断依据，辅助医生决策，具有重要的临床意义和良好的应用前景。专利技术目的：本专利技术所要解决的技术问题在于CT图像肾脏及其肿瘤分割，提出基于级联门控三维全卷积网络3DUnet模型的肾脏肿瘤分割算法，实现CT图像序列中的肾脏肿瘤区域的准确分割。技术方案：为解决上述技术问题，本专利技术提供了一种基于级联门控3DUnet模型的肾脏肿瘤分割算法，其技术方案如下：一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，包括如下具体步骤：S101，采集腹部CT扫描中包含肾脏的图像，取出包含肾脏或肿瘤的切片图像构成图像序列，利用标注软件对每个切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，构建数据集Dataset；S102，对Dataset进行P1预处理，P1预处理后的Dataset划分为M1训练集和M1测试集，对构建的3DUnet进行训练及测试，得到肾脏分割的深度网络模型M1；S103，对Dataset进行P2预处理，P2预处理后的划分Dataset为M2训练集和M2测试集，对构建的三维门控残差全卷积网络进行训练及测试，得到肿瘤分割的深度网络分割模型M2；S104，将待分割图像序列进行P1预处理后，利用M1分割出肾脏区域，并将分割结果进行拼接；对拼接后的分割结果进行裁剪，取出只有肾脏或肿瘤的体素，进行P2预处理后，利用M2分割出肿瘤区域。进一步，S101中利用ITK-SNAP医学图像标注软件对切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，由切片图像及其对应的标注掩码构成Dataset。进一步，S102中对Dataset进行P1预处理，具体包括：将Dataset中所有切片图像及其对应的标注掩码插值成相同分辨率体素间距；对插值后的每个切片图像及其对应的标注掩码进行随机裁剪，获取体素小块，并对体素小块进行归一化处理；插值后的分辨率低于插值前。进一步，依据体素小块的尺寸构建3DUnet，用于获得肾脏区域的分割掩码。进一步，S103中对Dataset进行P2预处理，具体包括：将Dataset中所有切片图像及其对应的标注掩码插值成相同的分辨率体素间距，对插值后的标注掩码利用边缘检测获取肿瘤边界，对插值后的每个切片图像及其对应的标注掩码和肿瘤边界进行随机裁剪，获取体素小块，并对体素小块进行归一化处理；插值后的分辨率高于插值前。进一步，依据体素小块的尺寸构建三维门控残差全卷积网络，三维门控残差全卷积网络包括主干网络和肿瘤形状分支网络；主干网络为3DUnet，其中的编码器和解码器对应相同分辨率的特征图之间进行跳跃连接；肿瘤形状分支网络包括三级级联的门控卷积层、3x3x3卷积层、三线性插值和1x1x1卷积层，解码器的第一级反卷积层的输出经过1x1x1卷积层、3x3x3卷积层、三线性插值后作为第一级门控卷积层的输入，解码器的第二级反卷积层的输出经过1x1x1卷积层作后作为第一级门控卷积层的输入，第一级门控卷积层的输出经过3x3x3卷积层、三线性插值后作为第二级门控卷积层的输入，解码器的第三级反卷积层的输出经过1x1x1卷积层后作为第二级门控卷积层的输入，第二级门控卷积层的输出经过3x3x3卷积层、三线性插值后作为第三级门控卷积层的输入，解码器的第四级反卷积层的输出经过1x1x1卷积层后作为第三级门控卷积层的输入，第三级门控卷积层的输出经过1x1x1卷积层后与解码器的输出一起作为一个全连接层的输入，全连接层的输出依次经过1x1x1卷积层和一个Softmax分类器后输出概率图谱；第三级门控卷积层的输出经过1x1x1卷积层后作为sigmoid函数的输入，sigmoid函数输出最终预测掩码。本专利技术相比现有技术具有如下优点：提出了基于网络级联的两阶段的分割模型，采用随机裁剪的策略，在一定程度上减轻了类别不平衡和小目标的影响。针对肿瘤边界难以区分的问题，以3DUnet为主干网络，基于门控卷积层构建了肿瘤形状分支网络，能够预测出肿瘤的边界，从而改善了肿瘤分割性能。附图说明图1是本专利技术方法的控制流程图；图2是本专利技术方法的预测操作示意图；图3是本专利技术中M1模型结构图；图4是本专利技术中M2模型结构图。具体实施方式为了使本专利技术所需要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用本文档来自技高网...

【技术保护点】
1.一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，包括如下具体步骤：/nS101，采集腹部CT扫描中包含肾脏的图像，取出包含肾脏或肿瘤的切片图像构成图像序列，利用标注软件对每个切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，构建数据集Dataset；/nS102，对Dataset进行P1预处理，P1预处理后的Dataset划分为M1训练集和M1测试集，对构建的三维全卷积网络3DUnet进行训练及测试，得到肾脏分割的深度网络模型M1；/nS103，对Dataset进行P2预处理，P2预处理后的划分Dataset为M2训练集和M2测试集，对构建的三维门控残差全卷积网络进行训练及测试，得到肿瘤分割的深度网络分割模型M2；/nS104，将待分割图像序列进行P1预处理后，利用M1分割出肾脏区域，并将分割结果进行拼接；对拼接后的分割结果进行裁剪，取出只有肾脏或肿瘤的体素，进行P2预处理后，利用M2分割出肿瘤区域。/n

【技术特征摘要】
1.一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，包括如下具体步骤：
S101，采集腹部CT扫描中包含肾脏的图像，取出包含肾脏或肿瘤的切片图像构成图像序列，利用标注软件对每个切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，构建数据集Dataset；
S102，对Dataset进行P1预处理，P1预处理后的Dataset划分为M1训练集和M1测试集，对构建的三维全卷积网络3DUnet进行训练及测试，得到肾脏分割的深度网络模型M1；
S103，对Dataset进行P2预处理，P2预处理后的划分Dataset为M2训练集和M2测试集，对构建的三维门控残差全卷积网络进行训练及测试，得到肿瘤分割的深度网络分割模型M2；
S104，将待分割图像序列进行P1预处理后，利用M1分割出肾脏区域，并将分割结果进行拼接；对拼接后的分割结果进行裁剪，取出只有肾脏或肿瘤的体素，进行P2预处理后，利用M2分割出肿瘤区域。


2.如权利要求1所述的一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，S101中利用ITK-SNAP医学图像标注软件对切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，由切片图像及其对应的标注掩码构成Dataset。


3.如权利要求1所述的一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，S102中对Dataset进行P1预处理，具体包括：将Dataset中所有切片图像及其对应的标注掩码插值成相同分辨率体素间距；对插值后的每个切片图像及其对应的标注掩码进行随机裁剪，获取体素小块，并对体素小块进行归一化处理；插值后的分辨率低于插值前。


4.如权利要求3所述的一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，依据体素小块的尺寸构建3DU...

【专利技术属性】
技术研发人员：孙玉宝，吴敏，徐宏伟，刘青山，辛宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32