面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质

技术领域

本发明涉及医学图像分割的技术领域，具体而言，涉及一种面向医疗场景的肝脏肿瘤图像分割方法、计算机装置和计算机可读存储介质。

背景技术

人工智能被普遍认为是第四次工业革命，全世界的科技公司都将目光转向其中。随着新时代通讯技术的诞生以及硬件设备的进步，人工智能离我们距离逐渐缩短。技术的进步使人类对智能化有了重新的定义。现阶段，人们希望机器能够像人类一样具有学习、理解和规划等能力。在日常感知外界信息时，我们至少有80％以上的信息是通过视觉感知的。因此，视觉是人类最重要的感知方式。同样地，计算机视觉在人工智能领域也是一项十分关键的技术。计算机视觉已经成为人工智能中不可或缺的组成部分之一。随着深度学习的发展与进步，计算机视觉正在以前所未有的速度高速发展。计算机视觉已经成为当下发展最快的领域之一。

医学图像是指通过医学影像设备(如X射线、CT扫描、MRI、超声等设备)获取的用于医学诊断、研究和治疗的图像数据。医学图像在临床医学和医学研究中起着重要的作用，可以帮助医生了解人体内部的解剖结构、病理变化和疾病状态。肝脏是人体最大的解毒器官，肝癌是起源于肝脏细胞的恶性肿瘤，据统计肝癌是全世界最常见的癌症之一，是第五大致死的癌症。CT(计算机断层扫描)图像是通过多个X射线投影图像的组合，生成人体横截面的图像，用于详细观察器官和组织的内部结构。CT扫描可以提供三维图像显示肝脏结构、肝内肿瘤和肝外转移瘤的位置、大小、形态等信息，临床医师可根据获取的病灶信息制定适当的治疗方案。然而由于肝脏与周围器官和肿瘤周围组织在灰度对比上的差异小，导致CT图像通常具有边界模糊，结构复杂等问题，且人工标注工作繁琐耗时，分割结果的精确性极其依赖放射科医师专家的主观经验判断，因此如何使用计算机辅助诊断，实时、精确的分割肝脏肿瘤是一项非常具有挑战性的任务。

在深度学习兴起之前，早期的肝脏肿瘤图像分割研究主要尝试采用一些基于传统方法和基于机器学习的图像处理技术，但是在实际应用中，传统方法通常需要手动选择特征，算法参数的调整比较困难，并且对图像的质量要求也比较高，而基于机器学习的方法对肿瘤区域分割效果不佳并且模型泛化能力比较差。如今，由于深度学习技术的发展、高精度的数据集标签以及GPU(Graphics Processing Unit,简称GPU，图形处理器)性能的提升，从而我们可以使用深度卷积神经网络来自动学习并获取我们所需的特征，这极大程度上促进了医学图像处理和语义分割技术的发展。

然而，现有的基于深度学习的肝脏肿瘤分割模型仍然存在一些缺陷和问题：

(1)现有的肝脏肿瘤分割模型中，肿瘤特征信息提取不佳，导致形状小且不规则的肿瘤难以分割，且需要大量参数和计算资源，实际应用对硬件要求较高；

(2)肝脏作为腹部较大的器官，可能存在多个肿瘤区域，现有的肝脏肿瘤分割模型对多肿瘤区域分割效果较差，且肝脏肿瘤与周边组织的相似度较高，使得网络输出的肿瘤分割边界较为模糊。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一目的在于提出一种面向医疗场景的肝脏肿瘤图像分割方法。

本发明的第二目的在于提出一种计算机装置。

本发明的第三目的在于提出一种计算机可读存储介质。

为了实现上述目的，本发明的第一方面的技术方案，提供了一种面向医疗场景的肝脏肿瘤图像分割方法，包括：步骤S1：获取肝脏肿瘤图像数据集，并按照预设比例将所述肝脏肿瘤图像数据集划分为训练数据集和测试数据集；其中，所述肝脏肿瘤图像数据集为有标签的图像数据集；步骤S2：对所述肝脏肿瘤图像数据集进行预处理，以得到肝脏肿瘤图像的二维图像；步骤S3：搭建面向医疗场景的肝脏肿瘤图像分割网络模型，所述网络模型为编码器解码器架构，所述网络模型包括：编码器部分和解码器部分，所述编码器部分和所述解码器部分均为四层，所述编码器部分包括：第一编码器、第二编码器、第三编码器和第四编码器；所述解码器部分包括：第一解码器、第二解码器、第三解码器和第四解码器；每一编码器和每一解码器的对应层之间设置有一个Strip Pooling池化模块；每一编码器和每一解码器均由两个CHD卷积注意力模块组成；每个CHD卷积注意力模块包括：第一线性层、第二线性层、第三线性层、深度可分离卷积层、Hadamard卷积调制层、归一化层和GeLU激活函数；所述第一线性层的输出端通过深度可分离卷积层连接Hadamard卷积调制层的第一输入端，所述第二线性层的输出端直接连接Hadamard卷积调制层的第二输入端，所述Hadamard卷积调制层的输出端依次通过第三线性层、残差连接、归一化层与GeLU激活函数的输入端连接；编码器部分的每一GeLU激活函数的输出端分别连接对应的Strip Pooling池化模块的输入端和对应的下一阶段编码器的输入端；解码器部分的每一GeLU激活函数的输出端连接对应的Strip Pooling池化模块的输出端，拼接二者输出进行特征融合；所述第一线性层和第二线性层的输入端与残差连接是同一输入端；步骤S4：构建混合损失函数，用于衡量训练所述面向医疗场景的肝脏肿瘤图像分割网络模型时输出的实际值和预测值之间的差异；步骤S5：基于所述混合损失函数，并使用预处理后的训练数据集对所述面向医疗场景的肝脏肿瘤图像分割网络模型进行训练及优化，保存最优模型；步骤S6：将预处理后的测试数据集输入最优模型进行肝脏肿瘤图像分割，得到肝脏肿瘤图像的分割结果。

优选地，所述混合损失函数的表达式为：

L

其中，L

所述交叉熵损失函数的表达式为：

其中，N为像素点的数量；M为预测类别的数量；y

所述Dice损失函数的表达式为：

其中，X表示预测值的集合；Y表示标签集合；TP表示真阳性，预测值和真实值都为正样本的像素数；FN表示假阴性，预测为负样本，但真实值为正样本的像素数；FP表示假阳性，预测为正样本，但真实值为正样本的像素数。

优选地，θ的值为0.3。

优选地，所述基于所述混合损失函数，并使用预处理后的训练数据集对所述面向医疗场景的肝脏肿瘤图像分割网络模型进行训练及优化，保存最优模型的步骤，具体包括：基于所述混合损失函数，采用Adam优化算法进行训练及优化；训练过程中，将预处理后的训练数据集输入编码器部分，以提取图像的多尺度特征；各个解码器将对应的编码器提取到的多尺度特征进行上采样操作以恢复图像的分辨率，并与对应的Strip Pooling 池化模块操作细化后的特征信息进行拼接融合，得到最终特征图；通过解码器部分输出最终特征图后，再通过一层1x1的卷积层和softmax激活函数生成最终的输出图像，并将此时训练好的最优模型进行保存。

优选地，所述对所述肝脏肿瘤图像数据集进行预处理的步骤具体包括：将原始的三维的肝脏肿瘤图像数据集转换为二维的肝脏肿瘤图像数据集；进行数据增强操作；进行归一化处理。

本发明的第二方面的技术方案，还提供了一种计算机装置，该计算机装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一技术方案中的面向医疗场景的肝脏肿瘤图像分割方法的步骤。

本发明的第三方面的技术方案，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一技术方案中的面向医疗场景的肝脏肿瘤图像分割方法的步骤。

本发明的有益效果：

(1)为了解决现有的肝脏肿瘤分割模型中，肿瘤特征信息提取不佳，导致形状小且不规则的肿瘤难以分割的同时，还需要大量参数和计算资源，进而导致实际应用对硬件要求较高的问题，本发明设计了CHD卷积注意力模块，该模块通过计算深度可分离卷积层和线性层特征值之间的Hadamard积来得到输出，对形状小且不规则的肿瘤分割效果较好，减少了网络参数量，节省了计算资源。

(2)为了解决现有的肝脏肿瘤分割模型对多肿瘤区域分割效果较差，且肝脏肿瘤与周边组织的相似度较高，使得网络输出的肿瘤分割边界较为模糊的问题，本发明从网络跳跃连接入手。具体地，考虑到编码器部分提取到的图像浅层特征信息往往包含图像的低级别特征，而解码器部分提取到的高层特征信息却包含更高层次的语义信息，将这两种特征信息直接拼接则会导致信息冗余，降低模型的泛化能力。因此，本发明在编码器部分与解码器部分之间的跳跃连接中引入在之前应用在场景语义分割领域的Strip Pooling池化模块，该操作注重捕获肿瘤区域之间的长距离关系，减少图像底层冗余信息，解决了多肿瘤区域分割边界模糊、分割效果差的问题，达到优化编码器部分提取到的多尺度特征信息的目的。

本发明的附加方面和优点将在下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1示出了本发明的一个实施例的面向医疗场景的肝脏肿瘤图像分割方法的示意流程图；

图2示出了本发明的一个实施例的获取到的LiTS肝脏肿瘤图像数据集的部分数据集图像；

图3示出了本发明的一个实施例的面向医疗场景的肝脏肿瘤图像分割网络的整体架构示意图；

图4示出了本发明的一个实施例的CHD卷积注意力模块的结构示意图；

图5示出了本发明的一个实施例的Strip Pooling池化模块的结构示意图；

图6示出了本发明的一个实施例的计算机装置的示意框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。

图1示出了本发明的一个实施例的面向医疗场景的肝脏肿瘤图像分割方法的示意流程图。如图1所示，该面向医疗场景的肝脏肿瘤图像分割方法，包括：

步骤S1：获取肝脏肿瘤图像数据集，并按照预设比例将肝脏肿瘤图像数据集划分为训练数据集和测试数据集；

步骤S2：对肝脏肿瘤图像数据集进行预处理，以得到肝脏肿瘤图像的二维图像；

步骤S3：搭建面向医疗场景的肝脏肿瘤图像分割网络模型；

步骤S4：构建混合损失函数，用于衡量训练面向医疗场景的肝脏肿瘤图像分割网络模型时输出的实际值和预测值之间的差异；

步骤S5：基于混合损失函数，并使用预处理后的训练数据集对面向医疗场景的肝脏肿瘤图像分割网络模型进行训练及优化，保存最优模型；

步骤S6：将预处理后的测试数据集输入最优模型进行肝脏肿瘤图像分割，得到肝脏肿瘤图像的分割结果。

在本实施例中，所述肝脏肿瘤图像数据集为有标签的图像数据集。

如图3和图4所示，所述面向医疗场景的肝脏肿瘤图像分割网络模型为编码器解码器架构，所述网络模型包括：编码器部分和解码器部分，所述编码器部分和所述解码器部分均为四层，所述编码器部分包括：第一编码器、第二编码器、第三编码器和第四编码器；所述解码器部分包括：第一解码器、第二解码器、第三解码器和第四解码器；每一编码器和每一解码器的对应层之间设置有一个Strip Pooling池化模块；每一编码器和每一解码器均由两个CHD卷积注意力模块组成；每个CHD卷积注意力模块包括：第一线性层、第二线性层、第三线性层、深度可分离卷积层、Hadamard卷积调制层、归一化层和GeLU激活函数；所述第一线性层的输出端通过深度可分离卷积层连接Hadamard卷积调制层的第一输入端，所述第二线性层的输出端直接连接Hadamard卷积调制层的第二输入端，所述Hadamard卷积调制层的输出端依次通过第三线性层、残差连接、归一化层与GeLU激活函数的输入端连接；编码器部分的每一GeLU激活函数的输出端分别连接对应的Strip Pooling池化模块的输入端和对应的下一阶段编码器的输入端；解码器部分的每一GeLU激活函数的输出端连接对应的StripPooling池化模块的输出端，拼接二者输出进行特征融合；所述第一线性层和第二线性层的输入端与残差连接是同一输入端。

在本实施例中，通过获取肝脏肿瘤图像数据集，并按照预设比例将肝脏肿瘤图像数据集划分为训练数据集和测试数据集，以便后续的网络训练操作和测试操作。由于数据集对深度学习十分的重要，而且语义分割需要使用大量的数据进行训练。不同于普通语义分割任务，医学图像因其隐私性，公开数据集较少，现有的较大的公开数据集是数据集使用MICCAI2017肝脏肿瘤分割挑战(LiTS)数据集，因此具体实施例中本发明选择LiTS数据集作为训练数据集和测试数据集。获取到的LiTS肝脏肿瘤图像数据集的部分数据集图像如图2所示。

进一步地，高效的提取图像特征是解决语义分割实时性的关键点之一，高效的特征提取结构能够有效地降低网络的参数量和计算复杂度。本发明致力于解决语义分割中特征提取的效率问题。现阶段准确度高的CNN分类网络均采用残差结构，另一种方法是使用注意力机制，虽然有效地提升了图像理解能力，但引入注意力机制后，大量增加的参数量会导致模型复杂度增加，对硬件设备的参数和内存要求较高，训练困难。经过研究发现，Hadamard乘积可作为卷积注意力提高特征提取效率，并且卷积线性增长的参数量更具有性能优势。受Conv2Former启发，本发明设计了CHD卷积注意力模块，在主干网络中，编码器和解码器的每个阶段均由两个CHD卷积注意力模块组成。CHD卷积注意力模块的设计结构与Transformer类似，由线性层、深度可分离卷积层、Hadamard调制层、归一化层和GeLU激活函数组成。进入CHD卷积注意力模块中的图像分别经过三条路径，其中一条作为残差连接，避免网络过深造成的梯度消失和梯度爆炸问题。另外两条路径作为卷积特征调制值来简化代替自注意力。我们使用来自深度可分离卷积提取到的特征和线性层的特征为权重来进行Hadamard卷积调制操作，以此来代替自注意力层。本发明使用Hadamard乘积作为卷积注意力，选择使用深度可分离卷积代替普通深度卷积，深度可分离卷积更少的参数量和更低的计算复杂度却带来了更强的表示能力，并且还能减少过拟合的风险，进一步地降低网络的参数量以及网络的计算复杂度，从而极大程度上提高了网络的性能；同时该模块通过计算深度可分离卷积层和线性层特征值之间的Hadamard积来得到输出，对形状小且不规则的肿瘤分割效果较好。

进一步地，在语义分割任务中，保证上下文信息和空间信息的精度是十分重要的，但想要同时满足二者是十分困难的。因此本发明从网络跳跃连接入手。具体地，在原始U-Net网路结构中的跳跃连接阶段是直接拼接编码器与解码器的特征信息，考虑到编码器提取到的图像浅层特征信息往往包含图像的低级别特征，而解码器的高层特征信息却包含更高层次的语义信息，将这两种特征信息直接拼接则会导致信息冗余，降低模型的泛化能力。因此本发明在跳跃连接加入Strip Pooling池化模块来优化编码器提取到的多尺度特征信息，该Strip Pooling池化模块的结构示意图如图5所示。与SegNeXT模型将深度卷积拆解为串行的两个条形卷积相比较，SP模块由两条并行路径组成，其中一条路径分别侧重与从水平和垂直维度捕获肝脏肿瘤图像远程上下文信息，同时避免在相距较远的位置之间建立不必要的连接，突出肝脏和重要的肿瘤信息；另外一条则作残差连接，避免过拟合。

进一步地，构建混合损失函数；基于混合损失函数并使用预处理后的训练数据集对面向医疗场景的肝脏肿瘤图像分割网络模型进行训练及优化，保存最优模型；将预处理后的测试数据集输入最优模型进行肝脏肿瘤图像分割，得到肝脏肿瘤图像的分割结果。

在本发明的一个实施例中，所述混合损失函数的表达式为：

L

其中，L

所述交叉熵损失函数的表达式为：

其中，N为像素点的数量；M为预测类别的数量；y

所述Dice损失函数的表达式为：

其中，X表示预测值的集合；Y表示标签集合；TP表示真阳性，预测值和真实值都为正样本的像素数；FN表示假阴性，预测为负样本，但真实值为正样本的像素数；FP表示假阳性，预测为正样本，但真实值为正样本的像素数。

在本实施例中，考虑到在肝脏肿瘤图像分割任务中，由于背景和肝脏在整体图片中占据了大部分，肿瘤的占比很小，导致负样本的数据量远大于正样本，出现类别不平衡的问题，此时单独使用交叉熵损失函数会使训练结果偏向数据量大的负样本，进而产生网络收敛速度变慢、影响分割精度的问题，而Dice损失函数是医学图像分割领域常用于处理类别不平衡和边界模糊的函数，正好解决了上述问题。本发明通过综合考虑两种损失函数的特点，将交叉熵和Dice函数组成为混合损失函数。

在本发明的一个实施例中，θ的值为0.3。

在本实施例中，交叉熵损失函数的权重为0.3，Dice损失函数的权重为0.7。

在本发明的一个实施例中，所述基于所述混合损失函数，并使用预处理后的训练数据集对所述面向医疗场景的肝脏肿瘤图像分割网络模型进行训练及优化，保存最优模型的步骤，具体包括：基于所述混合损失函数，采用Adam优化算法进行训练及优化；训练过程中，将预处理后的训练数据集输入编码器部分，以提取图像的多尺度特征；各个解码器将对应的编码器提取到的多尺度特征进行上采样操作以恢复图像的分辨率，并与对应的StripPooling池化模块操作细化后的特征信息进行拼接融合，得到最终特征图；通过解码器部分输出最终特征图后，再通过一层1x1的卷积层和softmax激活函数生成最终的输出图像，并将此时训练好的最优模型进行保存。

在本发明的一个实施例中，所述对所述肝脏肿瘤图像数据集进行预处理的步骤具体包括：将原始的三维的肝脏肿瘤图像数据集转换为二维的肝脏肿瘤图像数据集；进行数据增强操作；进行归一化处理。

如图6所示，一种计算机装置600包括：存储器602、处理器604及存储在存储器602上并可在处理器604上运行的计算机程序，处理器604执行计算机程序时实现如上述任一实施例中的面向医疗场景的肝脏肿瘤图像分割方法的步骤。

本发明提供的计算机装置600，处理器604执行计算机程序时，设计了CHD卷积注意力模块。该模块通过计算深度可分离卷积层和线性层特征值之间的Hadamard积来得到输出，对形状小且不规则的肿瘤分割效果较好，减少了网络参数量，节省了计算资源。进一步地，本发明从网络跳跃连接入手。具体地，考虑到编码器部分提取到的图像浅层特征信息往往包含图像的低级别特征，而解码器部分提取到的高层特征信息却包含更高层次的语义信息，将这两种特征信息直接拼接则会导致信息冗余，降低模型的泛化能力。因此，本发明在编码器部分与解码器部分之间的跳跃连接中引入在之前应用在场景语义分割领域的StripPooling池化模块，该操作注重捕获肿瘤区域之间的长距离关系，减少图像底层冗余信息，解决了多肿瘤区域分割边界模糊、分割效果差的问题，达到优化编码器部分提取到的多尺度特征信息的目的。

本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例中的面向医疗场景的肝脏肿瘤图像分割方法的步骤。

本发明提供的计算机可读存储介质，计算机程序被处理器执行时，设计了CHD卷积注意力模块。该模块通过计算深度可分离卷积层和线性层特征值之间的Hadamard积来得到输出，对形状小且不规则的肿瘤分割效果较好，减少了网络参数量，节省了计算资源。进一步地，本发明从网络跳跃连接入手。具体地，考虑到编码器部分提取到的图像浅层特征信息往往包含图像的低级别特征，而解码器部分提取到的高层特征信息却包含更高层次的语义信息，将这两种特征信息直接拼接则会导致信息冗余，降低模型的泛化能力。因此，本发明在编码器部分与解码器部分之间的跳跃连接中引入在之前应用在场景语义分割领域的Strip Pooling池化模块，该操作注重捕获肿瘤区域之间的长距离关系，减少图像底层冗余信息，解决了多肿瘤区域分割边界模糊、分割效果差的问题，达到优化编码器部分提取到的多尺度特征信息的目的。

下面将以一个具体的实施例来展示本发明的技术方案。

(1)获取数据集。在飞桨AI Studio官网数据集页面上下载肝脏肿瘤数据集文件。

(2)预处理数据集。由于CT扫描原始文件是三维图像，因此需要将数据集转换为二维图像。在处理过程中，腹部CT扫描中，肝脏和肿瘤的HU值(Hounsfied Unit值，简称HU值)可能在50～70之间变化，因此设定阈值将HU值限定在[-200,200]之间，超出阈值范围则不处理，之后归一化像素值到(0，1)，溢出值取边界值。设置训练集131个患者CT扫描输入大小为512×512，切片书为230～960，共得到85150张切片图像。

(3)使用Python编程语言和Pytorch深度学习框架。搭建的所述面向医疗场景的肝脏肿瘤图像分割网络模型训练采用Adam优化算法，默认设置初始学习率为0.001，一阶矩指数衰减率为0.9，二阶矩指数衰减率为0.999，维持稳定性的数值设置为1e-8，epoch和batchsize大小为200和8。

(4)构建混合损失函数。在肝脏肿瘤图像分割任务中，由于背景和肝脏在整体图片中占据了大部分，肿瘤的占比很小，导致负样本的数据量远大于正样本，出现类别不平衡的问题，此时单独使用交叉熵损失函数会使训练结果偏向数据量大的负样本，进而产生网络收敛速度变慢、影响分割精度的问题，而Dice损失函数是医学图像分割领域常用于处理类别不平衡和边界模糊的函数，正好解决了上述问题。本发明通过综合考虑两种损失函数的特点，将交叉熵和Dice函数组成为混合损失函数。交叉熵损失函数的权重为0.3，Dice损失函数的权重为0.7。

(5)图3为本发明的面向医疗场景的肝脏肿瘤图像分割网络的整体架构示意图，介绍了在网络对肝脏肿瘤图像的整个处理流程。当预处理后的肝脏肿瘤二维图像输入到网络时，图像进入编码路径，编码器每个阶段都由两个CHD卷积注意力模块组成，其结构如图4所示。

(6)预处理后的肝脏二维图像进入CHD卷积注意力模块中分别经过三条路径，其中一条作为残差连接，避免网络过深造成的梯度消失和梯度爆炸问题。另外两条路径作为Hadamard卷积特征调制值来简化代替自注意力。

(7)跳跃连接阶段。考虑到编码器提取到的图像浅层特征信息往往包含图像的低级别特征，而解码器的高层特征信息却包含更高层次的语义信息，将这两种特征信息直接拼接则会导致信息冗余，降低模型的泛化能力。因此在跳跃连接加入Strip Pooling池化模块来优化编码器提取到的多尺度特征信息，其结构如图5所示。SP模块由两条并行路径组成，其中一条路径分别侧重与从水平和垂直维度捕获肝脏肿瘤图像远程上下文信息，同时避免在相距较远的位置之间建立不必要的连接，突出肝脏和重要的肿瘤信息，另外一条则作残差连接，避免过拟合。

(8)不同编码器提取到的特征图进入SP模块细化后与对应阶段解码器执行上采样后得到的特征图进行特征融合，得到最终特征图，再通过解码器部分输出最终特征图；最后通过一层1x1的卷积层和softmax激活函数生成最终的输出图像，即经过不同阶段特征融合和解码器上采样操作后得到分割图像，并将此时训练好的最优模型进行保存。每个阶段的解码器同样由两个CHD卷积注意力模块组成。

经过充分的测试，本发明的网络取得了十分理想的成绩，使用了单个Nvidia1080Ti GPU对网络的性能进行了测试。该网络的最终性能在MICCAI2017肝脏肿瘤分割挑战(LiTS)数据集上，以512×512分辨率输入，获得的肝脏以及肿瘤的Dice系数、VOE、RVD结果分别为96.76％、8.29％、2.53％和86.59％、10.81％、11.25％，因此本发明取得的技术效果十分显著，可以应用于医疗肝脏肿瘤领域，并且本发明的效果在先进的肝脏肿瘤分割模型中位居前列。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。