一种基于深度学习的胸腔器官分割方法   0    0

本发明提供一种基于深度学习的胸腔器官分割方法。本发明改进了U‑Net的结构，得到了一种更优的用于胸腔器官分割的编码解码结构，相较于传统的U‑Net，在特征提取部分具有更好的性能以及更好的效果，而在上采样部分针对各层的不同特点增加了卷积和池化层，有效减少了锯齿现象，使得上采样结果更加精细，本发明也对分割结果中出现的一些脱离主体的分割错误进行了只取最大连通区域的处理。本发明训练速度和计算速度都优于传统的U‑Net网络，本发明方法的网络达到了50层，提取特征的效果更好，并且本发明仅需一个模型就可以用于多器官的图像分割。

1.一种基于深度学习的胸腔器官分割方法，其特征在于，具体步骤如下：
步骤(1)、图像预处理；
将输入的患者胸腔的CT图像进行预处理，去掉CT图像上不需要的文字信息，并将其转换为灰度图；所述的灰度图按顺序标记为0,1,2，……，n，将灰度图的灰度值进行归一化处理，对图像中的像素进行从[0,255]到[0,1]的映射；将灰度图中按{(0,1,2)，(1,2,
3)，……，(n‑2，n‑1，n)}的顺序取出三张图，将取出的三张图融合为一张图，在维度上增加所需要分割的四个器官和背景的标记，所述的标记为人工添加，包含相对准确的器官位置和该图上包含的器官，没有器官的图被标记为背景；标记的顺序为气管、食道、心脏、大动脉和背景；
最终获得预处理后的CT图像的NPY文件的形状为512*512*8，其中8代表3张图片加需要识别的5个特征；用于同时体现水平和竖直方向的信息；
步骤(2)、对U‑Net神经网络模型的结构进行改进；
首先将传统U‑Net的VGG网络替换为ResNet残差网络；对于上采样部分，仿照ResNet对网络结构进行扩充，针对各层的不同特点增加了卷积层和池化层，并且最后可以还原为原先的输入尺寸；
步骤(3)、定义softmax函数与惩罚函数；
定义分类所需要的softmax函数：
式中，ak(x)表示每个像素点对应特征通道的得分，K为类的数量，pk(x)是对类k的对像素点分类的结果，softmax函数用于在神经网络计算完成之后对计算结果进行分类输出，在通过softmax之前，数据的表现为一个一维的激活数据体，经过softmax之后输出的结果将会映射到相应的类别上，并形成上述的对应器官的对应标记；
定义需要最小化的惩罚函数：
E＝∑ω(x)log(pl(x)(x))
式中，pl(x)(x)是经过神经网络计算之后生成的每个像素的标签；ω(x)是人工标注的每个像素的标签，x表示每一个像素，惩罚函数的作用为比对神经网络计算所得到的结果和人工标注的结果的差距，差距越大，给神经网络反馈的惩罚就越大，以此来激励神经网络朝着期望的方向进行训练；
步骤(4)、训练改进后的U‑Net神经网络模型，获得初步分割结果；
将预处理后的患者胸腔的CT图像输入改进后的U‑Net进行训练，各层的激活函数均设置为ReLu,优化器采用Adam，学习率设置为0.01；
训练结束后获得用于胸腔器官分割的神经网络模型，将待分割的CT图像输入神经网络模型中，得到输入CT图像对应的初步分割结果；
步骤(5)、对获得的初步分割结果进行数据后处理，获得患者胸腔CT图像的最终分割结果；
对获得的初步分割结果采取只取最大连通区域的处理，获得患者胸腔CT图像的最终分割结果；
所述的只取最大连通区域的处理的具体操作方法如下：
(1)对于每个器官，生成的标记已经为二值化，仅有1和0，将不同器官的标记分离成不同文件；
(2)给标记增加一个维度，仅取0和1；0表示未访问过，1表示已访问；
(3)找到第一个有标记内容的像素点，将像素点的访问维度设置为1，同时将其入栈；
(4)寻找栈顶元素周边八个像素点中是否存在非零像素点，如果存在，则压入堆栈，结束后将栈顶元素删除，当栈被清空时，则表示一个区域已经找完，继续寻找下一个有标记的区域；
(5)当所有的像素都被遍历过之后，保留像素点个数最多的连通区域，其余的残渣区域全部都舍弃不用。