一种基于RMAU-Net网络的医学图像自动分割方法与系统技术方案

本发明专利技术涉及医学图像处理技术领域，尤其涉及一种基于RMAU

【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度较低。此外，由于病变边界模糊，精确的肝脏肿瘤分割被认为是一项极其复杂的任务。为了解决这些困难，在医学图像分割领域提出了一些深度学习方法。U
‑
Net是医学图像分割领域最受欢迎的编码器解码器网络架构之一。U
‑
Net使用来自较低级别的层跳跃连接到更高的层，利用多尺度特征信息，并弥补因下采样而丢失的信息。添加跳跃连接大大提高了信息的利用率和分割的准确性。受U
‑
Net的启发，提出了许多基于U
‑
Net架构的变体，包括Attention U
‑
Net、3D U
‑
Net和U
‑
Net++。AttentionU
‑
Net提供了一种注意力机制，专注于目标，抑制背景特征，并通过在编码器和解码器功能的拼接之前插入注意力模块来消除无关的信息和噪音。3D U
‑
Net将U
‑
Net中的所有3D卷积操作转换为3D卷积操作，以恢复3D信息。基于改进U
‑
Net的U
‑
Net++结合了四种不同深度的结构和不同长度的密集跳跃连接，以提高性能。不同的跳跃连接的差异有助于捕获不同级别的丰富语义特征信息并缩小语义间隙，但它无法描述图像像素之间的空间关系和通道依赖性，这对医学图像分割至关重要。
[0004]综合上述可知现有技术都采用普通卷积神经网络作为图像分割模型，而普通卷积神经网络在全局信息建模和多尺度特征提取方面表现不佳。在肝脏和肿瘤分割任务中，肿瘤在不同患者甚至同一患者中具有不同的大小、形状、位置和数量，这可能会对肝脏肿瘤自动分割造成重大挑战。此外，由于某些病变缺乏明确的边界，再加上严重的噪音，导致边缘分割表现不佳。

技术实现思路

[0005]本专利技术的目的是提供一种基于RMAU
‑
Net网络的医学图像自动分割方法与系统，解决肝脏肿瘤分割精度低的技术问题。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于RMAU
‑
Net网络的医学图像自动分割方法，包括以下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]S4.采用测试图像数据集对S3得到的网络模型进行验证；
[0012]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。
[0013]进一步地，所述图像预处理包括：切片、降噪。
[0014]进一步地，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。
[0015]进一步地，S3中，在训练过程中，还包括以下步骤：
[0016]对训练图像进行数据增强；
[0017]所述数据增强包括：随机垂直旋转，和/或，随机水平旋转。
[0018]进一步地，S2中，所述残差卷积模块包括两组3
×
3卷积、一组Squeeze
‑
and
‑
Excitation操作和一个残差连接，在每一组3
×
3卷积之后使用批量标准化和Leakly ReLu激活函数。
[0019]进一步地，S2中，所述多尺度注意力模块包括：空间特征金字塔模块、空间注意力模块和通道注意力模块。
[0020]进一步地，S3中，训练过程使用的损失函数为交叉熵和Dice系数结合的损失函数：
[0021][0022]式中，N表示样本个数，y
i
表示真实值，p
i
表示预测值。
[0023]进一步地，S4中，验证的评估指标包括以下中的至少一种：DSC,VOE和RVD，具体为：
[0024][0025][0026][0027]其中A,B分别表示金标准和预测结果。
[0028]本专利技术还提供一种基于RMAU
‑
Net网络的医学图像自动分割系统，所述系统包括：
[0029]数据收集模块，用于收集多种数据格式的肝脏肿瘤数据集；
[0030]数据预处理模块，对肝脏肿瘤数据集进行预处理操作；
[0031]模型搭建模块，利用PyTorch框架搭建网络模型；
[0032]模型训练模块，将预处理后的数据输入到搭建完成后的模型中进行网络训练，通过不断迭代后训练得到最佳的网络模型；
[0033]模型分割模块：将训练得到的模型对待处理的图像进行分割得到肝分割结果。
[0034]本专利技术至少具备以下有益效果：
[0035]本专利技术提出的自动分割方法，通过在U
‑
Net网络的基本文档来自技高网...

【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：