[發明專利]一種基于深度學習的CT圖像顱內血管分割方法及系統

在審

• 申請號: 201810433128.5
• 申請日: 2018-05-08
• 公開（公告）號: CN108629784A
• 公開（公告）日: 2018-10-09
• 發明（設計）人: 呂天予
• 申請（專利權）人: 上海嘉奧信息科技發展有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 莊文莉

1.一種基于深度學習的CT圖像顱內血管分割方法，其特征在于，包括：

收集標記步驟：收集多套頭顱CTA數據并對血管位置進行標記，將標記后的頭顱CTA數據分為訓練數據集、驗證數據集以及測試數據集；

預處理增廣步驟：對頭顱CTA數據進行預處理操作和增廣操作，所述預處理操作包括歸一化操作和白化操作，通過重采樣的方法把數據集的3個維度的層間距設為相同，對頭顱CTA數據按既定空間窗口大小分割成小塊體數據，所述增廣操作包括對頭顱CTA數據進行旋轉、放大、縮小以及對稱變換；

三維卷積神經網絡訓練步驟：構建三維卷積神經網絡并采用所述訓練數據集和所述驗證數據集進行訓練。

2.根據權利要求1所述的基于深度學習的CT圖像顱內血管分割方法，其特征在于，所述增廣操作具體包括對所述頭顱CTA數據向左旋轉10度，向右旋轉10度，放大到1.2倍，縮小到0.8倍，上下對稱變換和左右對稱變換。

3.根據權利要求1所述的基于深度學習的CT圖像顱內血管分割方法，其特征在于，所述三維卷積神經網絡為深度殘差卷積神經網絡，輸入端直接通過加法合并到它的輸出端，殘差連接過程表示為：

x_p+1＝x_p+F(x_p,w_p)

其中x_p為p層殘差連接塊的輸入端，x_p+1為輸出端，F(x_p,w_p)表示為殘差連接塊中的非線性函數層。

4.根據權利要求3所述的基于深度學習的CT圖像顱內血管分割方法，其特征在于，所述深度殘差卷積神經網絡為20層，前7層為3*3*3的三維卷積層后接批處理層和整流線性層，后12層為空洞卷積層后接批處理層和整流線性層，最后一層為softmax層。

5.根據權利要求3所述的基于深度學習的CT圖像顱內血管分割方法，其特征在于，所述空洞卷積層的前6層放大2倍，后6層放大4倍。

6.一種基于深度學習的CT圖像顱內血管分割系統，其特征在于，包括：

收集標記模塊：收集多套頭顱CTA數據并對血管位置進行標記，將標記后的頭顱CTA數據分為訓練數據集、驗證數據集以及測試數據集；

預處理增廣模塊：對頭顱CTA數據進行預處理操作和增廣操作，所述預處理操作包括歸一化操作和白化操作，通過重采樣的方法把數據集的3個維度的層間距設為相同，對頭顱CTA數據按既定空間窗口大小分割成小塊體數據，所述增廣操作包括對頭顱CTA數據進行旋轉、放大、縮小以及對稱變換；

三維卷積神經網絡訓練模塊：構建三維卷積神經網絡并采用所述訓練數據集和所述驗證數據集進行訓練。

7.根據權利要求6所述的基于深度學習的CT圖像顱內血管分割系統，其特征在于，所述增廣操作具體包括對頭顱CTA數據向左旋轉10度，向右旋轉10度，放大到1.2倍，縮小到0.8倍，上下對稱變換和左右對稱變換。

8.根據權利要求6所述的基于深度學習的CT圖像顱內血管分割系統，其特征在于，所述三維卷積神經網絡為深度殘差卷積神經網絡，輸入端直接通過加法合并到它的輸出端，殘差連接過程表示為：

x_p+1＝x_p+F(x_p,w_p)

其中x_p為p層殘差連接塊的輸入端，x_p+1為輸出端，F(x_p,w_p)表示為殘差連接塊中的非線性函數層。

9.根據權利要求8所述的基于深度學習的CT圖像顱內血管分割系統，其特征在于，所述深度殘差卷積神經網絡為20層，前7層為3*3*3的三維卷積層后接批處理層和整流線性層，后12層為空洞卷積層后接批處理層和整流線性層，最后一層為softmax層。

10.根據權利要求9所述的基于深度學習的CT圖像顱內血管分割系統，其特征在于，所述空洞卷積層的前6層放大2倍，后6層放大4倍。