一种基于APA-UNet的肝脏肿瘤CT图像分割方法

本发明属于医学ct图像分割，尤其涉及一种基于apa-unet的肝脏肿瘤ct图像分割方法。

背景技术：

1、目前，肝脏作为人体腹部最大的器官，也是人体肿瘤多发部位之一。肝脏病变是人体中的常见病变，尤其是在我国肝脏肿瘤发病率正呈现逐年上升的趋势，且在早期症状并不明显，超过30％的患者发现时已是晚期，错过了治疗的最佳时机。目前，治疗肝癌的主要手段除放化疗外，比较有效的方式是进行肝肿瘤切除手术。计算机断层扫描(computedtomography，ct)影像是检测肿瘤的重要方式。在实际的临床工作中，得到的一般是腹部ct图像，医生在ct图像中手动分割肝脏及肿瘤区域不仅是一个非常枯燥且耗时耗力的过程，且需要丰富的临床经验。通过计算机辅助系统来完成肝脏及肿瘤区域的分割任务，可以精准呈现肝脏肿瘤的病变位置以及更清晰的组织结构信息，为疾病的诊疗提供更多支持。

2、传统的图像分割方法主要有：阈值分割法、聚类分析法、区域生长法、水平集分割法和图割算法等。这些方法不仅会依赖于人工设置的超参数，而且通常会导致分割效果不彻底，分割准确率低。

3、随着近些年深度学习的快速发展，深度卷积神经网络在医学图像分割领域也得到了技术的快速更新。目前对肝脏肿瘤ct图像分割的研究中，比较受关注的网络模型就是基于编码器-解码器结构的u-net，其编码器的主要任务是将输入图像逐渐降采样并提取高层次的特征表示。解码器的任务是将编码器提取到的低分辨率特征映射转换为与原始输入图像相同分辨率的预测分割图。尽管u-net网络增加了不同层次特征的交互、融合，特征表示能力更强，但在一些方面依旧存在不足。如常用的交叉熵损失函数在处理图像分割中类别不平衡的数据集时，会导致模型对占比较大的类别过度偏向；dice损失函数在某些情况下曲线不够光滑，导致模型优化存在困难；存在语义鸿沟问题，编码器中提取的特征与解码器中的特征存在语义层次的差异。编码器层通常捕捉低层特征，而解码器层则重建高层特征，直接连接两者可能导致低层和高层特征语义不兼容；感受野有限问题，传统的u-net通过堆叠卷积层和池化层来增加感受野，不足以捕获图像中的细小结构，特别是在分辨率较低或目标尺寸较小的情况下。因此，现有的基于u-net算法对肝脏肿瘤图像本身的特性利用不够充分，对于小肿瘤的分割精度仍然有上升的空间。

4、为此，针对上述的技术问题还需进一步解决，本发明提供了一种基于apa-unet的肝脏肿瘤ct图像分割方法。

技术实现思路

1、本发明提供了一种基于apa-unet的肝脏肿瘤ct图像分割方法，以解决现有技术损失函数在处理类别不均衡的数据集时，导致模型过度偏向某些类别的问题；解决编码器和解码器不同层级之间的特征存在的语义差异问题；解决分割效果不彻底，分割准确率低，且对肝脏肿瘤图像本身的特性利用不够充分的技术问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、本发明提供了一种基于apa-unet的肝脏肿瘤ct图像分割方法，方法的具体步骤包括：

4、步骤1：数据预处理：对腹部ct图像进行预处理，并将预处理后的图像作为训练和测试数据；

5、步骤2：训练：通过apa-unet对预处理的图像进行训练，完成模型训练；

6、步骤3：测试：基于步骤2中得到的模型apa-unet进行保存，并对模型apa-unet进行测试，获得测试结果；

7、步骤4：评估：使用评价指标dice系数对步骤3中得到的测试结果进行评估，分析apa-unet模型的分割性能。

8、可选地，在步骤1中：数据预处理中，通过itk图像分析工具包读取数据的dicom序列，再使用索引提取出二维切片，按照8：1：1的比例分成训练集、验证集和测试集，并对训练样本集进行水平翻转、弹性形变、0.8倍尺度缩放、归一化的数据增强处理。

9、可选地，在步骤2中，具体包括：

10、步骤2.1：设计apa-unet的损失函数，提出lgmd损失函数；

11、步骤2.2：重新设计apa-unet的跳连接部分结构，提出apab(attention inposition attention block)注意力模块；

12、步骤2.3：设计网络apa-unet的解码器部分结构，提出h-msc(hybrid multiscaleconvolutional module)混合多尺度卷积模块；

13、步骤2.4：完成对apa-unet模型的训练。

14、可选地，在步骤2.1中，网络训练时采用的lgmd损失函数(gaussian mixture lossand dice loss)是传统dice loss与tv(total variation regularization)正则化后的高斯混合损失函数加权组合的损失函数；

15、其中，lgmd损失函数如下：

16、lgmd＝αldl+βlgmm_tv

17、式中，ldl为传统dice损失函数，lgmm_tv为tv正则化后的高斯混合函数，当输入数据具有标签时，α设置为1；否则设置为0，β的值需要根据实验人为设定，设定β值为10-10。

18、可选地，在步骤2.2中，重新设计apa-unet跳连接结构，在跳连接处加入的apab注意力模块，进而实现对非注意力分支和位置注意力分支的动态加权。

19、可选地，在步骤2.3中，设计网络apa-unet的解码器部分结构，在解码器部分使用混合多尺度卷积模块，通过1×1、3×3、5×5不同卷积核的组合卷积，通过水平和垂直混合地连接多个多尺度差分模块，并使用gelu作为激活函数。

20、本发明的有益效果：

21、(1)首先，针对医学图像经常出现类别不均衡的情况，使得训练易被像素多的类别主导，较小的物体难以学到其特征，提出了一个新的损失函数lgmd，更有效的指导模型参数更新；

22、(2)针对u-net跳连接简易的将低维语义信息通过裁剪叠加的方式与高维语义信息融合，造成的语义鸿沟问题，重新设计了跳连接结构，提出apab注意力机制，细节重建低维语义特征。apab模块中的动态加权模块对非注意力分支和位置注意力分支进行动态加权，实现最大限度减少注意力的使用，同时最小化额外参数量；

23、(3)最后，提出混合多尺度卷积模块加入到解码器的结构中，增大网络的感受野，提升特征表达能力。

24、与传统u-net相比，apa-unet在各个区域上的dice系数都有较大幅度的提升，dicecoefficient是两个集合相似度的一种度量方法，是一种广泛应用于图像分割中的评价指标，一般用来表示分割的准确度和精度，取值范围为0到1之间，值越接近1表示两个集合的相似度越高，也表示分割精度越高。针对肝脏部分的分割，对比传统u-net网络，本发明网络的dice系数增加了7.15％，对比swin-unet网络，本发明网络的dice系数增加了2.14％。针对肝肿瘤部分的分割，对比传统u-net网络，本发明网络的dice系数增加了6.69％，对比swin-unet网络，本发明网络的dice系数增加了2.25％，这说明通过对u-net进行的改进得到的apa-unet，较大幅度提升了对肝脏肿瘤ct图像的分割能力。因此，在可接受的时间和算力消耗内，通过综合运用多种方法对肝脏肿瘤图像的不同层次的特征信息进行提取、融合并做出分类判断，以提高算法模型最终的分割准确程度，可以有效减少医师工作量和提高患者治愈机会。