一种肾脏肿瘤图像分割方法

技术领域

本发明属于医学图像处理领域，具体涉及一种肾脏肿瘤图像分割方法。

背景技术

肾癌是人类最常见的十种癌症之一，在2018年，肾癌在全球范围内的发病超过400000例，其中超过175000例死亡。肾脏及肾脏肿瘤的分割是将患有肾癌的病人所拍摄的三维医学图像中的肾脏器官区域及肾脏的肿瘤区域与其他健康的组织分离开来的一种技术手段，在医学中利用CT图像来对肾癌进行诊断是关键且必要的一步，利用图像分割的方法自动对患者的CT 图像进行标注能够辅助医生进行肾脏区域肿瘤病变的诊断，降低误诊率，同时节省医生对于肿瘤区域手动标注的时间，为患者争取治疗时间。

近年来，由于深度学习的不断发展以及各种经过专家标注的患者的医学影响数据公开，使得医学图像分割性能不断提高。在医学图像分割当中， U-Net结构是目前医学图像分割中常见的一种神经网络结构，然而直接对于利用U-Net神经网络结构图像分割模型进行分割会存在这样的问题：大量的不包含肾脏或者肾脏肿瘤的切片输入进神经网络，会存在大量韵冗余信息。

发明内容

为了解决现有技术的上述问题，本发明提供一种肾脏肿瘤图像分割方法，消除了假阳性和肿瘤区域外的信息，能够得到更精确的肾脏肿瘤图像分割信息。本发明的技术方案如下：

一种肾脏肿瘤图像分割方法，所述的方法包括：

获取原始肾脏图像数据集，对所述原始肾脏图像数据集执行预处理操作，得到肾脏图像训练集和测试集；所述的预处理操作包括对原始肾脏图像进行重采样和像素填充，使原始肾脏图像数据集中的图像具有相同的分辨率，并对填充后的原始肾脏图像数据集进行一次下采样；

将预处理后的肾脏图像训练集输入到预训练的肾脏肿瘤图像分割模型中，所述的肾脏肿瘤图像分割模型包括：第一网络、第二网络和第三网络，所述的第一网络、第二网络和第三网络均为U-Net网络结构；其中：

将得到的肾脏图像训练集输入到所述的第一网络，得到肾脏轮廓粗分割图像；

将得到的肾脏图像训练集输入到所述的第二网络，得到感兴趣区域图像，所述的感兴趣区域图像指的是包含肾脏及肿瘤的区域图像；

将得到的肾脏图像训练集和第二网络生成的感兴趣区域图像输入到所述的第三网络，得到肾脏肿瘤精准分割图像；

根据所述三种网络输出结果计算对应的预测误差损失，并根据误差损失更新肾脏肿瘤图像分割模型参数，直至肾脏肿瘤图像分割模型训练完成；

将肾脏图像测试集输入到训练完成的肾脏肿瘤图像分割模型中得到肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像；

对得到的肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像执行后处理操作，所述的后处理操作包括对感兴趣区域图像和肾脏肿瘤精准分割图像分别进行二值化处理，得到第一肿瘤掩模和第二肿瘤掩模；采用大小不同的两个预设阈值对得到的第一肿瘤掩模和第二肿瘤掩模进行处理，将符合阈值范围内的第一肿瘤掩模和第二肿瘤掩模进行合并，将合并后的肿瘤掩模与肾脏轮廓粗分割图像进行合并，得到肾脏肿瘤图像分割结果。

进一步地，所述的第一网络、第二网络和第三网络卷积层滤波器大小为 3×3×3。

本发明的有益效果在于：能够融合在肾脏图像中通过不同尺度的肿瘤图像更好地捕捉肿瘤特定特征。

附图说明

图1是本发明肾脏肿瘤图像分割方法流程示意图；

图2是本发明肾脏肿瘤图像分割模型结构图；

图3是本发明肾脏肿瘤图像分割模型中第一网络结构图；

图4是本发明肾脏肿瘤图像分割模型中第二网络和第三网络结构图。

具体实施方式

下面结合附图和实施例，对本发明技术方案作进一步描述：

本实施例中提供了一种肾脏肿瘤图像分割方法，如图1所示，包括：

获取原始肾脏图像数据集，原始肾脏图像的分辨率为512×512，但在轴向上具有不同的切片计数，所以体素的大小并不一致。对原始肾脏图像数据集执行预处理操作，首先对原始肾脏图像数据进行重新采样到256×256× 128大小，然后利用将整个数据集填充到单个最大体积大小，为了提高处理速度和降低内存消耗，将数据集下采样到256×256×128大小，并将其分为肾脏图像训练集和测试集，其中训练集包括了带有人工精确标记的肾脏肿瘤结果，用以对训练结果进行比对。

将预处理后的肾脏图像训练集输入到预训练的肾脏肿瘤图像分割模型中，肾脏肿瘤图像分割模型包括：第一网络、第二网络和第三网络，第一网络、第二网络和第三网络均为U-Net网络结构，第二网络与第三网络的结构相同，区别在于第三网络的输入除了训练集输入还包含了第二网络的输出；其中，执行的训练过程具体包括：

将得到的肾脏图像训练集输入到第一网络，得到肾脏轮廓粗分割图像；

将得到的肾脏图像训练集输入到第二网络，得到感兴趣区域图像，所述的感兴趣区域图像指的是包含肾脏及肿瘤的区域图像；

将得到的肾脏图像训练集和得到的第二网络生成的感兴趣区域图像输入到第三网络，得到肾脏肿瘤精准分割图像；

根据三种网络输出结果与带有人工标记的训练集肿瘤图像结果计算对应的预测误差损失，并根据误差损失更新肾脏肿瘤图像分割模型参数，直至肾脏肿瘤图像分割模型训练完成。

在本实施例中的整个模型的损失函数L＝L

其中，i表示第i次训练，u

在训练中采用Adam优化器，学习率设置为10

将待分割的肾脏图像测试集输入到训练后的肾脏肿瘤图像分割模型中，获得肾脏图像测试集所生成的肾脏轮廓粗分割图像、感兴趣区域图像和肾脏肿瘤精准分割图像，并对得到三种图像执行后处理操作，具体包括采用较大和较小的两个阈值分别对整个区域图像(即感兴趣区域图像)和肿瘤区域图像(肾脏肿瘤精准分割图像)进行二值化处理，在本实施例中，使用阈值T＝0.5 对感兴趣区域图像进行二值化，在空掩模的情况下，阈值T＝0.1。

使用阈值T＝0.5对肾脏肿瘤精准分割图像进行二值化，该阈值基于以下三种情况被降低:如果返回的掩模是空的，则T降低到0.1。如果返回的掩模不是空的，但是它包含少于100个像素，则降低的阈值是T＝0.2。

最终将整个区域图像(即感兴趣区域图像)和肿瘤区域图像(肾脏肿瘤精准分割图像)二值化后的图像与第一肿瘤掩模图像进行融合，得到肾脏肿瘤图像分割结果。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。