1.一种基于UNet的多分支肝脏肿瘤分割方法,其特征是,包括步骤如下:
首先,构建基于UNet的多分支肝脏肿瘤分割网络;
该基于UNet的多分支肝脏肿瘤分割网络由1个输入层、9个多分支模块、4个最大池化层、4个上采样模块、1个1×1卷积层和1个输出层组成;
输入层的输入作为基于UNet的多分支肝脏肿瘤分割网络的输入;输入层的输出连接第一多分支模块的输入;
第一多分支模块的输出连接第一最大池化的输入和第四上采样的第一输入;第一最大池化的输出连接第二多分支模块的输入;第二多分支模块的输出连接第二最大池化的输入和第三上采样的第一输入;第二最大池化的输出连接第三多分支模块的输入;第三多分支模块的输出连接第三最大池化的输入和第二上采样的第一输入;第三最大池化的输出连接第四多分支模块的输入;第四多分支模块的输出连接第四最大池化的输入和第一上采样的第一输入;第四最大池化的输出连接第五多分支模块的输入;
第五多分支模块的输出连接第一上采样的第二输入,第一上采样的输出连接第六多分支模块的输入;第六多分支模块的输出连接第二上采样的第二输入,第二上采样的输出连接第七多分支模块的输入;第七分支模块的输出连接第三上采样的第二输入,第三上采样的输出连接第八多分支模块的输入;
第八多分支模块的输出连接第四上采样的第二输入,第四上采样的输出连接第九多分支模块的输入;
第九多分支模块的输出连接1×1卷积层的输入,1×1卷积层的输出连接输出层的输入;输出层的输出作为基于UNet的多分支肝脏肿瘤分割网络的输出;
然后,利用事先已经分割出肝脏肿瘤的CT图像构建训练样本集,并利用训练样本集对所构建的基于UNet的多分支肝脏肿瘤分割网络进行深度学习训练,得到训练好的基于UNet的多分支肝脏肿瘤分割网络;
最后,将当前需要进行肝脏肿瘤分割的CT图像送到训练好的基于UNet的多分支肝脏肿瘤分割网络中,得到已分割出肝脏肿瘤的CT图像。
2.根据权利要求1所述的一种基于UNet的多分支肝脏肿瘤分割方法,其特征是,多分支模块由2个空洞率为2的3×3卷积层、2个空洞率为4的3×3卷积层、2个卷积核为2的最大池化层、2个特征相加层、2个批归一化层和2个激活层组成;
第一空洞率为2的3×3卷积层、第一空洞率为4的3×3卷积层和第一卷积核为2的最大池化层的输入共同形成多分支模块的输入;第一空洞率为2的3×3卷积层、第一空洞率为4的3×3卷积层和第一卷积核为2的最大池化层的输出同时连接特征相加层的输入,特征相加层的输出连接第一批归一化层的输入,第一批归一化层的输出连接第一激活层的输入;
第一激活层的输出同时连接第二空洞率为2的3×3卷积层、第二空洞率为4的3×3卷积层和第二卷积核为2的最大池化层的输入;第二空洞率为2的3×3卷积层、第二空洞率为4的
3×3卷积层和第二卷积核为2的最大池化层的输出同时连接特征相加层的输入,特征相加层的输出连接第二批归一化层的输入,第二批归一化层的输出连接第二激活层的输入;第二激活层的输出形成多分支模块的输出。
3.根据权利要求1所述的一种基于UNet的多分支肝脏肿瘤分割方法,其特征是,上采样模块由1个双线性插值层和1个拼接层组成;
双线性插值层的输入作为上采样模块的第一输入,双线性插值层的输出连接拼接层的一个输入,拼接层的另一个输入作为上采样模块的第二输入,拼接层的输出作为上采样模块的输出。