[發明專利]基于3D全卷積神經網絡的脊柱分割方法

在審

• 申請號: 201711236700.0
• 申請日: 2017-11-30
• 公開（公告）號: CN108038860A
• 公開（公告）日: 2018-05-15
• 發明（設計）人: 周文暉;李賢;張樺;戴國駿;周恩慈;魏興明
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/08;G06N3/04
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于3D全卷積神經網絡的脊柱分割方法，其特征在于包括如下步驟：

步驟1.建一個用于脊柱分割的3D全卷積神經網絡；

步驟2.準備數據集，數據集包括訓練集+測試集；

步驟3.利用訓練集訓練神經網絡，得到網絡模型；

步驟4.使用得到的網絡模型分割測試集中脊柱CT數據，得到分割結果；

步驟1所述的3D全卷積神經網絡的構建，具體如下：

卷積神經網絡的輸入是一個大小為128×128×64的體塊，輸出也是128×128×64的體塊；網絡結構分為左右兩個部分，網絡的左側是一個壓縮的過程，右側是一個擴張的過程；除了降采樣和上采樣之外，卷積層均采用5×5×5的卷積核進行卷積，步長為1；

左側的壓縮的過程被分為5個不同的階段，每個階段的特征通道的尺寸不同，通道數也不同，都包括兩個卷積層；每個卷積層都采用PRelu非線性激活函數；每個階段的最后通過執行卷積操作來降低分辨率，卷積時采用2×2×2的卷積核，步長為2，進行降采樣；隨著壓縮階段特征通道的尺寸減小為原來的1/2，提取的特征的通道數為原來的2倍；具體來說：左側第一個階段的通道數為16，每個特征通道的尺寸為128×128×64；第二個階段通道數為32，每個特征通道的尺寸是64×64×32，第三個階段的通道數為64，每個特征通道的尺寸是32×32×16，第四個階段的通道數為128，每個特征通道的尺寸為16×16×8，第五個階段的通道數為256，每個特征通道的尺寸為8×8×4；

網絡的右側的擴張階段被分為不同的4個階段，每個階段的特征通道的尺寸不同，通道數也不同，每個階段包含兩個卷積層；隨著特征通道的尺寸變為原來的2倍，通道數變為原來的1/2；具體來說：右側第一個階段是通過左側的第五個階段，直接通過2×2×2的卷積核降采樣得到的，通道數為256，每個特征通道的尺寸是16×16×8，第二個階段的通道數為128，每個特征通道的尺寸是32×32×16，第三個階段的通道數為64，特征通道的尺寸為64×64×32，第四個階段的通道數為32，特征通道的尺寸為128×128×64；除第四個階段的最后，每個階段的最后都會采用2×2×2的卷積核進行反卷積操作，使特征通道的尺寸變為原來的2倍；

右側的第四個階段得到的32通道的結果，通過最后一次的卷積層，卷積核的尺寸為1×1×1，計算出兩個128×128×64的特征圖，再通過尺寸為1×1×1的卷積核來產生和輸入的尺寸相同的輸出，轉化為前景和背景的概率，通過softmax層來實現；

左側的每個階段的輸入被用作卷積，但同時被添加到本階段第二個卷積層的輸出上，來學習一個殘差函數；左側每個階段經過兩個卷積層卷積后的結果，會和右側擴張階段特征通道尺寸相同的階段的上一個階段降采樣后的結果，同時作為特征通道數據，進行擴張階段的卷積操作。

2.根據權利要求1所述的基于3D全卷積神經網絡的脊柱分割方法，其特征在于步驟2所述的數據集準備，具體實現如下：

步驟2-1:搜集大小為512×512×N的脊柱CT體數據，以及這些脊柱CT對應的標準分割結果，其中N為脊柱CT體數據的層數，512×512為CT數據每層的尺寸；

步驟2-2:利用CT體數據說明文件計算出采樣間隔都為1時的體數據尺寸；

步驟2-3：再把體數據尺寸的每層圖像數據以圖像的中心為中心點，向上下左右四個方向分別保留64行像素或列像素，裁剪掉邊界沒有包含感興趣圖像的區域，保留128×128的尺寸，只關注中間部分的圖像。

3.根據權利要求2所述的基于3D全卷積神經網絡的脊柱分割方法，其特征在于所述的說明文件用于表示體數據的相關信息，包括：體數據的存儲格式、存儲位置以及采樣間隔。

4.根據權利要求3所述的基于3D全卷積神經網絡的脊柱分割方法，其特征在于步驟3所述的利用訓練集訓練神經網絡，得到網絡模型，具體實現如下：利用訓練集訓練卷積神經網絡中的各種參數，將步驟2中的訓練集輸入步驟1設計好的卷積神經網絡進行訓練，得到參數模型。

5.根據權利要求4所述的基于3D全卷積神經網絡的脊柱分割方法，其特征在于步驟4所述的使用得到的網絡模型分割測試集中脊柱CT數據，得到分割結果，具體實現如下：

從測試集中隨機選擇一個大小為512×512×64的體塊，按照步驟2-2和2-3將此體塊處理為尺寸為128×128×64作為卷積神經網絡中的輸入，通過卷積神經網絡和參數模型的處理，輸出一個128×128×64尺寸的體塊；然后根據步驟2-2和2-3的逆過程，計算輸出一個大小為512×512×64的分割結果。