[發明專利]一種融合離散特征的醫學影像中器官深度學習分割方法

有效

• 申請號: 201811110632.8
• 申請日: 2018-09-21
• 公開（公告）號: CN110942462B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 朱森華;章樺
• 申請（專利權）人: 北京連心醫療科技有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06V10/80;G06N3/08
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 王秀麗

本發明屬于醫學影像和人工智能技術領域，涉及一種融合離散特征的醫學影像器官深度學習分割方法、設備和存儲介質。包括步驟：把各離散特征集的元素分別表示為用獨熱向量表示的詞向量；轉換成具有相同固定長度的實數特征向量，融合后轉換成一個與待處理的醫學影像像素或體素數相同的一維特征向量；重構成與待處理的醫學影像尺寸相同的二維或三維矩陣表示，與待處理的醫學影像進行融合后，得到語義分割深度學習網絡的輸入，進而對其進行圖像語義分割網絡訓練。本發明在網絡輸入的圖像學習網絡中，允許非圖像的其與圖像相關的離散特征信息進入網絡進行學習；克服了傳統靠擴充數據的方法來進行網絡訓練的數據采集成本高甚至不可執行性的缺陷。

技術領域

本發明屬于醫學影像和人工智能技術領域，涉及一種融合離散特征的醫學影像器官深度學習分割方法、設備和存儲介質。

背景技術

目前，使用深度學習神經網絡架構對醫學影像(例如CT、MRI、PET等)進行器官分割的時候，通常的網絡輸入局限于固定尺寸的一種或多種醫學影像數據，這些影像數據在計算機輸入上都被表征為相同尺寸的矩陣或向量。然而，考慮到醫學影像數據可能來自于不同的掃描中心(如不同的醫院和實驗室)，可能來自于不同廠家的掃描機器(如飛利浦、西門子、通用電氣)，可能來自于不同地域、不同人種、不同年齡、不同性別的受試者，這些各種不同的離散信息對于基于影像學的器官分割任務存在重要的輔助指導意義。但目前在基于深度學習的醫學影像器官分割的網絡實現中，尚未有能把這些離散信息有效整合到深度學習網絡模型中直接作為有效特征輔助網絡訓練的做法。最多對于不同中心、不同掃描機器的數據進行多來源的數據增強來增強模型學習的魯棒性，但這種方法要求采集盡可能多的數據，對于數據成本、數據采集的可操作性、網絡訓練難度和時間都是巨大的挑戰，事實上也無法從根本上通過窮舉去獲取所有可能的多樣化樣本。

發明內容

本發明的目的在于為克服現有技術的缺陷而提供一種融合離散特征的醫學影像器官深度學習分割方法、設備和存儲介質。

為實現上述目的，本發明采用以下技術方案：

一種融合離散特征的醫學影像器官深度學習分割方法，適于在計算設備中執行，包括如下步驟：

(1)基于詞袋模型(bag of word)把各離散特征集的元素分別表示為用獨熱向量(one-hot vector)表示的詞向量；

(2)把各個離散特征集中以獨熱向量表示的詞向量輸入到語義分割前置預處理神經網絡的嵌套層(Embedding層)中，嵌套層將各離散特征集中的獨熱向量分別轉換成具有相同固定長度的實數特征向量；

(3)在語義分割前置預處理神經網絡中將步驟(2)得到的實數特征向量進行融合，得到各離散特征集融合后的特征向量；

(4)將步驟(3)中得到的融合后的特征向量輸入到語義分割前置預處理神經網絡中的全連接層(full connection層)中，全連接層將融合后特征向量轉換成一個與待處理的醫學影像像素或體素數相同的一維特征向量；

(5)將步驟(4)中得到的一維特征向量重構(reshape)成與待處理的醫學影像尺寸相同的二維或三維矩陣表示；

(6)把步驟(5)中的得到的二維或三維矩陣表示與待處理的醫學影像進行融合，將融合結果輸入到語義分割深度學習網絡，進而對其進行語義分割網絡訓練。

本發明進一步優選地：

步驟(1)中，所述離散特征集包括成像中心特征集、掃描機器特征集、掃描序列特征集、性別特征集、年齡層次特征集、地域特征集、人種特征集等中的一種或多種。

所述的離散特征集中獨熱向量(one-hot vector)的長度等于離散特征集中所定義的元素的數量。