1.一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法,其特征在于,包括:获取公开的肝脏肿瘤分割基准数据集,并进一步获取用于训练的训练样本集;
搭建神经网络结构,并进一步构建神经网络模型,以适用于肝脏肿瘤CT图像分割;
其中,所述神经网络结构以语义分割网络U‑Net网络为网络框架,利用融合倒置残差卷积替换所述U‑Net网络中原始卷积,并在所述U‑Net网络插入改进型AGCH注意力机制以及在所述U‑Net网络的瓶颈处采用SE_ASPP模块;其中,利用融合倒置残差卷积替换所述U‑Net网络中原始卷积包括:使用融合倒置残差卷积将原始所述U‑Net网络中的卷积操作融合为一个卷积操作;在下采样阶段中的融合倒置残差卷积块和上采样中与所述融合倒置残差卷积相连接的特征图基于所述改进型AGCH注意力机制进行跳跃连接;
获取待分割图像进行初步处理并输入所述神经网络模型中进行图像分割、特征提取、图像优化操作,输出肝脏区域分割结果。
2.根据权利要求1所述的一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法,其特征在于,还包括:对所述肝脏肿瘤分割基准数据集进行裁剪、增强预处理,得到初步清晰化肝脏分割图像数据集,并基于所述初步清晰化肝脏分割图像数据集和交叉验证法获取所述训练样本集。
3.根据权利要求1所述的一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法,其特征在于,所述改进型AGCH注意力机制以受门控注意力机制AG和混合域注意力机制CBAM为技术基准进行重新设计得到所述改进型AGCH注意力机制。
4.根据权利要求1所述的一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法,其特征在于,在所述U‑Net网络的瓶颈处采用SE_ASPP模块,具体包括:对原有的SE_ASPP模块进行改进,将原始所述SE_ASPP模块中2D卷积和归一化层改成3D卷积和归一化层;
利用所述SE_ASPP模块将SE‑NET模块的权重值与输入ASPP模块中的各个特征相乘,学习并筛选有用的特征信息。
5.根据权利要求1所述的一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法,其特征在于,所述神经网络模型使用的损失函数,为交叉熵损失函数和Dice损失函数结合结果。