本发明涉及医学图像分割，具体涉及一种基于unet的多分支肝脏肿瘤分割方法。
背景技术：
1、肝癌是世界上最常见和致死率最高的肿瘤，它严重威胁人们的生命健康。据国家癌症中心数据显示，我国肝癌发病率在所有恶性肿瘤中排第5，且死亡率高居第2位。随着科学技术的发展，计算机应用技术和医学信息化水平得到了很大的发展，医学图像设施也更加完善。计算机断层扫描成像(computed tomography，ct)具有扫描时间快，图像分辨率高等特点，是目前肝脏病变普遍采取的诊断方式。目前临床上肝脏肿瘤的分割通常由经验丰富的医生手动标注轮廓，不仅费时费力，同一病人的肝脏ct影像的肿瘤区域在不同医生的标注下可能会造成不同的结果，严重依赖医生的经验与技巧。因此研究精准高效的肝脏肿瘤自动分割方法对肝癌的临床诊断与治疗具有重要意义。
2、传统的医学图像分割方法包括阈值法(threshold)，水平集(level set)，区域生长(region growing)等，然而由于ct图像中肝脏肿瘤通常具有对比度低，边界模糊，大小、形状、位置、数量不固定等原因，这些传统的医学图像分割方法需要人工干预，难以有效适应肝脏肿瘤的复杂性和多样性，对目标的分割精度较差，效率较低，无法实现肿瘤区域的自动分割。近年来，深度学习技术得到飞速发展并被广泛地应用于医学图像分割领域。ronneberger等提出了一种u形卷积网络(unet)，首次将跳跃连接引入卷积网络中，该网络通过编码-解码操作实现图像端到端的语义分割，编码器对提取的特征进行下采样来捕捉图像的上下文信息，解码器对提取的特征进行上采样来精准定位分割区域。li等提出了一种瓶颈监督的unet模型(bottleneck supervised unet，bs-unet)。该模型是一种混合的紧密连接结构，通过充分利用网络各层之间的信息进行分割。schlemper等将注意力机制融入unet网络中，提出a-unet(attention unet)模型。该模型可自动学习与分割任务相关的区域特征，抑制不相关特征。尽管这些网络被广泛地应用于肝脏肿瘤分割领域，但依然存在肝脏肿瘤边界分割不精确、小肿瘤难以检测、数据类别不平衡造成的肿瘤分割困难等问题。
技术实现思路
1、本发明所要解决的是现有深度学习网络对肝脏肿瘤分割存在困难的问题，提供一种基于unet的多分支肝脏肿瘤分割方法。
2、为解决上述问题，本发明是通过以下技术方案实现的：
3、一种基于unet的多分支肝脏肿瘤分割方法，包括步骤如下：
4、首先，构建基于unet的多分支肝脏肿瘤分割网络；
5、该基于unet的多分支肝脏肿瘤分割网络由1个输入层、9个多分支模块、4个最大池化层、4个上采样模块、1个1×1卷积层和1个输出层组成；输入层的输入作为基于unet的多分支肝脏肿瘤分割网络的输入；输入层的输出连接第一多分支模块的输入；第一多分支模块的输出连接第一最大池化的输入和第四上采样的第一输入；第一最大池化的输出连接第二多分支模块的输入；第二多分支模块的输出连接第二最大池化的输入和第三上采样的第一输入；第二最大池化的输出连接第三多分支模块的输入；第三多分支模块的输出连接第三最大池化的输入和第二上采样的第一输入；第三最大池化的输出连接第四多分支模块的输入；第四多分支模块的输出连接第四最大池化的输入和第一上采样的第一输入；第四最大池化的输出连接第五多分支模块的输入；第五多分支模块的输出连接第一上采样的第二输入，第一上采样的输出连接第六多分支模块的输入；第六多分支模块的输出连接第二上采样的第二输入，第二上采样的输出连接第七多分支模块的输入；第七分支模块的输出连接第三上采样的第二输入，第三上采样的输出连接第八多分支模块的输入；第八多分支模块的输出连接第四上采样的第二输入，第四上采样的输出连接第九多分支模块的输入；第九多分支模块的输出连接1×1卷积层的输入，1×1卷积层的输出连接输出层的输入；输出层的输出作为基于unet的多分支肝脏肿瘤分割网络的输出；然后，利用事先已经分割出肝脏肿瘤的ct图像构建训练样本集，并利用训练样本集对所构建的基于unet的多分支肝脏肿瘤分割网络进行深度学习训练，得到训练好的基于unet的多分支肝脏肿瘤分割网络；最后，将当前需要进行肝脏肿瘤分割的ct图像送到训练好的基于unet的多分支肝脏肿瘤分割网络中，得到已分割出肝脏肿瘤的ct图像。
6、上述方案中，多分支模块由2个空洞率为2的3×3卷积层、2个空洞率为4的3×3卷积层、2个卷积核为2的最大池化层、2个特征相加层、2个批归一化层和2个激活层组成；第一空洞率为2的3×3卷积层、第一空洞率为4的3×3卷积层和第一卷积核为2的最大池化层的输入共同形成多分支模块的输入；第一空洞率为2的3×3卷积层、第一空洞率为4的3×3卷积层和第一卷积核为2的最大池化层的输出同时连接特征相加层的输入，特征相加层的输出连接第一批归一化层的输入，第一批归一化层的输出连接第一激活层的输入；第一激活层的输出同时连接第二空洞率为2的3×3卷积层、第二空洞率为4的3×3卷积层和第二卷积核为2的最大池化层的输入；第二空洞率为2的3×3卷积层、第二空洞率为4的3×3卷积层和第二卷积核为2的最大池化层的输出同时连接特征相加层的输入，特征相加层的输出连接第二批归一化层的输入，第二批归一化层的输出连接第二激活层的输入；第二激活层的输出形成多分支模块的输出。
7、上述方案中，上采样模块由1个双线性插值层和1个拼接层组成；双线性插值层的输入作为上采样模块的第一输入，双线性插值层的输出连接拼接层的一个输入，拼接层的另一个输入作为上采样模块的第二输入，拼接层的输出作为上采样模块的输出。
8、与现有技术相比，本发明通过加强分割网络特征图的感受野以及充分利用通道与空间结构信息，可以更好地捕获像素级细节和空间信息，从而提高网络对医学图像的分割性能。与现有的方法不同，本发明所提出的网络架构在捕获局部边缘的精细细节的同时，还能捕获全局多尺度信息，从而确保空间一致性。
1.一种基于unet的多分支肝脏肿瘤分割方法，其特征是，包括步骤如下：
2.根据权利要求1所述的一种基于unet的多分支肝脏肿瘤分割方法，其特征是，多分支模块由2个空洞率为2的3×3卷积层、2个空洞率为4的3×3卷积层、2个卷积核为2的最大池化层、2个特征相加层、2个批归一化层和2个激活层组成；
3.根据权利要求1所述的一种基于unet的多分支肝脏肿瘤分割方法，其特征是，上采样模块由1个双线性插值层和1个拼接层组成；