[發(fā)明專(zhuān)利]一種基于單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811135259.1
• 申請(qǐng)日: 2018-09-27
• 公開(kāi)（公告）號(hào): CN109360208A
• 公開(kāi)（公告）日: 2019-02-19
• 發(fā)明（設(shè)計(jì)）人: 丁長(zhǎng)興;周晨紅;黃英杰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華南理工大學(xué)
• 主分類(lèi)號(hào): G06T7/11
• 分類(lèi)號(hào): G06T7/11;G06K9/62
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 裴磊磊

1.一種基于單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，其特征在于，所述方法包括以下步驟：

S1、獲取已預(yù)處理過(guò)的醫(yī)學(xué)圖像，首先將組織分割任務(wù)分解成三個(gè)不同但關(guān)聯(lián)的子任務(wù)：子任務(wù)一、子任務(wù)二和子任務(wù)三，再將所述三個(gè)子任務(wù)集成于一個(gè)深度模型，即單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)里，并向所述深度模型輸入所述圖像；其中所述子任務(wù)一對(duì)所述圖像進(jìn)行粗分割，來(lái)確定所述圖像中完整組織的大致區(qū)域，所述完整組織的大致區(qū)域?qū)⒆鳛樗鲎尤蝿?wù)二的感興趣區(qū)域；所述子任務(wù)二將從所述子任務(wù)一中得到的所述感興趣區(qū)域進(jìn)行膨脹處理，得到膨脹區(qū)域，然后對(duì)所述膨脹區(qū)域進(jìn)行精細(xì)分割，得到所述膨脹區(qū)域中所有體素的精確組織類(lèi)別，同時(shí)獲得所述完整組織的精確位置；所述子任務(wù)三通過(guò)精分割來(lái)掃描所述完整組織的精確位置內(nèi)的體素，并對(duì)增強(qiáng)組織的位置做出決策；

S2、使用基于課程學(xué)習(xí)的策略對(duì)所述深度模型進(jìn)行由易到難的分階段訓(xùn)練，直到所述深度模型內(nèi)的所述三個(gè)子任務(wù)的損失函數(shù)均達(dá)到收斂；

S3、使用后處理方法改善所述深度模型的分類(lèi)錯(cuò)誤問(wèn)題，并輸出最終的分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，其特征在于，步驟S1中，所述預(yù)處理指對(duì)所述醫(yī)學(xué)圖像進(jìn)行特征標(biāo)準(zhǔn)化，使得圖像的每一個(gè)序列圖像具有零均值和單位方差。

3.根據(jù)權(quán)利要求1所述的一種基于單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，其特征在于，步驟S2中，使用基于課程學(xué)習(xí)的策略對(duì)所述深度模型進(jìn)行由易到難的分階段訓(xùn)練，所述課程學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中的一種學(xué)習(xí)策略，它將所述三個(gè)子任務(wù)依次加入到所述深度模型中進(jìn)行訓(xùn)練，使得所述深度模型能夠按照任務(wù)的難易程度從易到難得到訓(xùn)練，有助于提高所述深度模型的收斂質(zhì)量，同時(shí)復(fù)用所述三個(gè)子任務(wù)間的部分訓(xùn)練數(shù)據(jù)，實(shí)現(xiàn)了對(duì)所述部分訓(xùn)練數(shù)據(jù)的共享和參數(shù)共享，所述部分訓(xùn)練數(shù)據(jù)的共享需滿(mǎn)足下列抽樣策略一或抽樣策略二的條件：

抽樣策略一的條件：

抽樣策略二的條件：

其中，l_i是一個(gè)數(shù)據(jù)集中第i個(gè)體素的標(biāo)簽，n是一個(gè)數(shù)據(jù)集中體素的總數(shù)，C_complete代表所有的組織分類(lèi)，C_core代表屬于組織核心的組織分類(lèi)，所述子任務(wù)一的訓(xùn)練數(shù)據(jù)一若滿(mǎn)足所述抽樣策略一的條件，所述訓(xùn)練數(shù)據(jù)一能夠在所述子任務(wù)二中實(shí)現(xiàn)共享；同理，所述訓(xùn)練數(shù)據(jù)一和所述子任務(wù)二中的訓(xùn)練數(shù)據(jù)二若滿(mǎn)足所述抽樣策略二的條件，所述訓(xùn)練數(shù)據(jù)一和所述訓(xùn)練數(shù)據(jù)二能夠在所述子任務(wù)三實(shí)現(xiàn)共享。

4.根據(jù)權(quán)利要求1所述的一種基于單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，其特征在于，步驟S3中，所述后處理方法是一個(gè)全自動(dòng)的方法，使用所述后處理方法改善所述深度模型的分類(lèi)錯(cuò)誤問(wèn)題，從而得到最終的分割結(jié)果，具體包括以下步驟：

將體積小于最大相連組織區(qū)域十分之一的單獨(dú)小簇移除；

根據(jù)被預(yù)測(cè)成水腫組織的體素的核磁共振圖像強(qiáng)度值，使用K均值聚類(lèi)算法將所述體素聚類(lèi)成兩組，并根據(jù)所述深度模型的預(yù)測(cè)結(jié)果，計(jì)算所述深度模型預(yù)測(cè)成水腫組織的體素被預(yù)測(cè)為非增強(qiáng)組織類(lèi)別的平均概率值；

將擁有更高平均概率值的體素的標(biāo)簽改為非增強(qiáng)組織類(lèi)別，相反，其他體素的標(biāo)簽保持不變。

5.根據(jù)權(quán)利要求1所述的一種基于單程多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，其特征在于，所述深度模型中用于單個(gè)任務(wù)的基本網(wǎng)絡(luò)模型包含一個(gè)編碼路徑和一個(gè)對(duì)稱(chēng)的解碼路徑，編碼路徑生成高級(jí)的復(fù)雜特征表達(dá)，解碼路徑來(lái)恢復(fù)特征圖的尺寸大小，實(shí)現(xiàn)體素級(jí)標(biāo)簽的預(yù)測(cè)；編碼路徑和解碼路徑都由卷積層、最大值池化層、殘差塊和反卷積層構(gòu)成；

深度模型中每個(gè)子任務(wù)只擁有其獨(dú)立的位于網(wǎng)絡(luò)尾端的一個(gè)卷積層和一個(gè)分類(lèi)層，其余網(wǎng)絡(luò)層作為深度模型的共享結(jié)構(gòu)；所述三個(gè)子任務(wù)分別對(duì)應(yīng)三個(gè)不同的輸入和輸出，輸入網(wǎng)絡(luò)的數(shù)據(jù)維度是32×32×16×4，三個(gè)子任務(wù)的輸入數(shù)據(jù)會(huì)沿著樣本數(shù)目的維度合并起來(lái)進(jìn)入所述共享結(jié)構(gòu)；所述共享結(jié)構(gòu)輸出的訓(xùn)練特征會(huì)按所述樣本合并的位置進(jìn)行切片，通過(guò)各自特有的網(wǎng)絡(luò)層，最終得到三個(gè)子任務(wù)的分割結(jié)果，其中，子任務(wù)一和子任務(wù)二是5分類(lèi)，子任務(wù)三是2分類(lèi)。