1.一种CT图像肝脏肿瘤分割方法,其特征在于,包括:
获取包含肝脏肿瘤的CT图像;
利用基于3DA‑U‑Net的一级肝脏分割网络从CT图像中分割出肝脏区域,并根据预设置的阈值将肝脏区域转化为二值的肝脏掩膜;
对所述CT图像与所述肝脏掩膜进行掩膜运算,得到肝脏感兴趣区域;
利用基于3DA‑U‑Net的二级肿瘤分割网络对所述肝脏感兴趣区域进行特征提取,得到CT图像深层特征;
根据所述CT图像深层特征,输出肝脏肿瘤分割结果。
2.根据权利要求1所述的CT图像肝脏肿瘤分割方法,其特征在于,所述一级肝脏分割网络、二级肿瘤分割网络的3DA‑U‑Net的构建方法包括:获取U‑Net网络和三维注意力机制;
其中,U‑Net网络的收缩路径包括五个依次连接的网络模块,第一、二、三、四个网络模块均包括2个卷积层和1个池化层,第五个网络模块包括2个卷积层;
所述三维注意力机制记为3DA;使用3DA模块增加到U‑Net网络中每一个卷积模块后,形成3DA‑U‑Net网络。
3.根据权利要求1所述的CT图像肝脏肿瘤分割方法,其特征在于,所述3DA‑U‑Nets的网络结构包括:一级肝脏分割网络:输入端口input、卷积层Conv 1‑1、卷积层Conv 1‑2、3DA层1、池化层Maxpool‑1、卷积层Conv 2‑1、卷积层Conv 2‑1、3DA层2、池化层Maxpool‑2、卷积层Conv
3‑1、卷积层Conv 3‑2、3DA层3、池化层Maxpool‑3、卷积层Conv 4‑1、卷积层Conv 4‑2、3DA层
4、池化层Maxpool‑4、卷积层Conv 5‑1、卷积层Conv 5‑2、3DA层5、上卷积层Upconv‑1、卷积层Conv 6_1、卷积层Conv 6‑2、上卷积层Upconv‑2、卷积层Conv 7‑1、卷积层Conv 7‑2、上卷积层Upconv‑3、卷积层Conv 8‑1、卷积层Conv 8‑2、上卷积层Upconv‑4、卷积层Conv 9‑1、卷积层Conv 9‑2、卷积层Conv 10‑1和输出端口output;
二级肿瘤分割网络:输入端口input、卷积层Conv 1‑1、卷积层Conv 1‑2、3DA层1、池化层Maxpool‑1、卷积层Conv 2‑1、卷积层Conv 2‑1、3DA层2、池化层Maxpool‑2、卷积层Conv
3‑1、卷积层Conv 3‑2、3DA层3、池化层Maxpool‑3、卷积层Conv 4‑1、卷积层Conv 4‑2、3DA层
4、池化层Maxpool‑4、卷积层Conv 5‑1、卷积层Conv 5‑2、3DA层5、上卷积层Upconv‑1、卷积层Conv 6_1、卷积层Conv 6‑2、上卷积层Upconv‑2、卷积层Conv 7‑1、卷积层Conv 7‑2、上卷积层Upconv‑3、卷积层Conv 8‑1、卷积层Conv 8‑2、上卷积层Upconv‑4、卷积层Conv 9‑1、卷积层Conv 9‑2、卷积层Conv 10‑1和输出端口output。
4.根据权利要求2所述的CT图像肝脏肿瘤分割方法,其特征在于,3DA‑U‑Net中三维注意力机制3DA的处理流程包括:输入卷积层处理得到的特征图X,通道数为C、大小为W×H,3DA结构将特征图X复制三份,分别沿着三个不同方向做全局平均池化的操作,得到三个不同维度的一维特征,分别为W×1×1、1×H×1和1×1×C张量;
将三个不同维度的一维特征分别送入两个全连接层,第一个全连接层的通道数为C/r,其中r为减少率,并经过激活函数ReLU;将输出紧接着输入第二个全连接层中,这一层的通道数为C,通过激活函数sigmoid进行非线性表达,得到新的W×1×1、1×H×1和1×1×C张量,其中包含了特征图每一个元素与目标特征之间的权重信息;
将包含权重信息的新的W×1×1、1×H×1和1×1×C张量和初始特征图X相乘,得到经过3DA重新标定的新特征图X’。
5.根据权利要求1所述的CT图像肝脏肿瘤分割方法,其特征在于,基于3DA‑U‑Net的一级肝脏分割网络的训练过程包括:对包含肝脏肿瘤的CT图像进行预处理,获得训练样本集;
初始化3DA‑U‑Net的网络参数,将训练样本依次输入3DA‑U‑Net;
在每迭代2次后,根据更新后的肝脏分割图像计算网络损失函数;根据损失函数迭代更新3DA‑U‑Net的网络参数,获得更新后的3DA‑U‑Net;根据更新后的3DA‑U‑Net获取更新后的肝脏分割图像;
根据网络损失函数进行收敛判断,当网络损失函数收敛,结束迭代,输出训练好的基于
3DA‑U‑Net的一级肝脏分割网络。
6.根据权利要求1所述的CT图像肝脏肿瘤分割方法,其特征在于,基于3DA‑U‑Net的二级肿瘤分割网络的训练过程包括:将包含肝脏肿瘤的肝脏感兴趣区域作为训练样本集;载入基于3DA‑U‑Net的一级肝脏分割网络的网络参数作为二级网络参数的初始化,将肝脏感兴趣区域训练样本集依次输入
3DA‑U‑Net二级网络,微调二级网络的网络参数;在每迭代2次后,根据更新后的肿瘤分割图像计算网络损失函数;根据网络损失函数进行收敛判断,当网络损失函数收敛,结束迭代,输出训练好的基于3DA‑U‑Net的二级肿瘤分割网络。
7.根据权利要求1所述的CT图像肝脏肿瘤分割方法,其特征在于,3DA‑U‑Net网络的训练过程中网络参数包括学习率和批量尺度,学习率初始化为0.0001,批量尺度初始化为5。
8.根据权利要求5或6所述的CT图像肝脏肿瘤分割方法,其特征在于,损失函数为Dice系数,损失函数的计算公式如下:其中A是模型预测的样本,而B是数据集中的金标准;对于给定两副图像A和B,其重合区域为|A∩B|,|A|+|B|为两幅图像面积之和;DiceLoss(A,B)损失函数在训练中不断变化,为网络的迭代提供方向,其值域为[0,1]。
9.一种CT图像肝脏肿瘤分割装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1至8任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。