【技术实现步骤摘要】
一种基于RMAU
‑
Net网络的医学图像自动分割方法与系统
[0001]本专利技术涉及医学图像处理
,尤其涉及一种基于RMAU
‑
Net网络的医学图像自动分割方法与系统。
技术介绍
[0002]肝脏是人体最重要的器官之一,肝脏具有重要的排毒和消化功能。肝癌对人类健康构成重大威胁,在所有癌症中死亡率位居第四。计算机断层扫描(CT)是放射科医生和肿瘤学家用于评估和分析肝脏和病变的最常见成像方式之一。放射科医生和肿瘤学家分析计算机断层扫描(CT)或磁共振图像(MRI),以找到病变区域,从而制定诊断和治疗计划。目前,大部分肝脏和肝脏肿瘤的分割都是手动进行的,这十分消耗时间和劳动力,而且尤其依赖于外科医生的经验。计算机辅助肝脏肿瘤分割可以减少外科医生的工作量,并提高手术的成功率,这具有很高的临床价值。此外,肝脏和肿瘤的形状、位置和体积因患者而异,病变和周围正常肝组织之间的界限模糊不清,成像设备和设置的差异可能导致肿瘤颜色和对比度的显著差异,使自动计算机辅助肝脏和肿瘤分割成为一项具有挑战性的研究。
[0003]在过去几年里,卷积神经网络(CNN)在计算机视觉领域取得了巨大成功。在图像语义分割领域,提出了一种新型卷积神经网络,即全卷积网络(FCN),其优点是网络的输入和输出图像大小相同,输入图像都是任意分辨率的完整图像。FCN因其在特征提取方面的突出优势而迅速受到关注。与自然图像分割相比,医学图像分割是一项具有挑战性的任务,因为病变区域的大小、形状和位置不同,患者体内器官之间的对比 ...
【技术保护点】
【技术特征摘要】
1.一种基于RMAU
‑
Net网络的医学图像自动分割方法,其特征在于,包括以下步骤:S1.准备医学图像数据集,分为训练图像数据集和测试图像数据集,并对训练图像数据集进行图像预处理;S2.基于PyTorch框架搭建深度学习网络模型,所述深度学习网络模型为U
‑
Net的改进网络模型,所述深度学习网络模型的编码结构中,应用4组残差卷积模块和4组2
×
2最大池化层,并在编码结构最后一层加入多尺度注意力模块,所述深度学习网络模型的解码结构中,应用4组上采样和4组残差卷积模块,并在最后一层加入多尺度注意力模块;S3.将图像预处理后的训练图像数据输入S2搭建好的深度学习网络模型,进行训练,得到训练后效果最好的网络模型;S4.采用测试图像数据集对S3得到的网络模型进行验证;S5.将待分割的医学图像输入到验证好的网络模型中进行分割,并将分割结果可视化展示。2.根据权利要求1所述的一种基于RMAU
‑
Net网络的医学图像自动分割方法,其特征在于,所述图像预处理包括:切片、降噪。3.根据权利要求1所述的一种基于RMAU
‑
Net网络的医学图像自动分割方法,其特征在于,所述训练图像数据集和测试图像数据集为LiTS2017数据集和3D
‑
IRCADb数据集。4.根据权利要求1所述的一种基于RMAU
‑
Net网络的医学图像自动分割方法,其特征在于,S3中,在训练过程中,还包括以下步骤:对训练图像进行数据增强;所述数据增强包括:随机垂直旋转,和/或,随机水平旋转。5.根据权利要求1所述的一种基于RMAU
‑
Net网络的医学图像自动分割方法,其特征在于,S2...
【专利技术属性】
技术研发人员:刘瑞华,欧家杰,蒋林峰,南浩宇,邹洋杨,高翔,浦溦,
申请(专利权)人:重庆理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。