[發明專利]基于雙路徑U-net卷積神經網絡的PET/CT高代謝淋巴結分割方法

有效

• 申請號: 201811588646.0
• 申請日: 2018-12-24
• 公開（公告）號: CN109685811B
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 趙梅莘;許力;張衛方;張璐
• 申請（專利權）人: 北京大學第三醫院;浙江大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 11470 北京精金石知識產權代理有限公司
• 代理人: 張黎

1.一種基于雙路徑U-net卷積神經網絡的PET/CT圖像中高代謝淋巴結的分割方法，其特征在于，包括如下步驟：

步驟1，實驗數據的獲得與處理；

所述步驟1的具體過程包括：步驟1.1，同時閱讀淋巴瘤患者平掃CT橫斷連續層面圖像和相對應的PET/CT融合橫斷連續層面圖像，應用畫圖軟件，把FDG攝取高于本底的所有淋巴結在CT圖像上勾勒出輪廓；

步驟1.2，隨機選取步驟1.1中的部分圖像作為訓練樣本，其余圖像作為測試樣本，對訓練樣本進行數據增強處理，擴增訓練樣本；所述步驟1.2中的每個訓練樣本包括CT圖，PET圖和標記圖，調整CT圖、PET圖像和標記圖的尺寸，使之保持一致；

步驟2，構建雙路徑U-net卷積神經網絡；所述步驟2的具體過程為：更改U-net的網絡結構，將單路徑輸入改為雙路徑輸入；

步驟3，訓練雙路徑U-net卷積神經網絡；

步驟4，采用訓練好的雙路徑U-net卷積神經網絡對PET/CT圖像中高代謝淋巴結進行分割，得到分割結果；

所述步驟3中訓練雙路徑U-net卷積神經網絡的方式包括訓練方法和損失函數，所述訓練方法為Adam優化方法，所述損失函數為交叉熵函數，所述交叉熵函數為加權交叉熵函數；

所述加權交叉熵函數為：

其中P_i表示像素i屬于前景的概率，代表了樣本實際所屬類別，N代表了樣本的數量，w^class類是指不同類別樣本的懲罰系數；

所述更改U-net的網絡結構，將單路徑輸入改為雙路徑輸入的操作方法為：設計一條與原收縮路徑對稱的另一條收縮路徑，選取其中一條路徑作為CT圖像的輸入，另一條作為PET圖像的輸入。

2.根據權利要求1所述的PET/CT圖像中高代謝淋巴結的分割方法，其特征在于，所述步驟1.2中對訓練樣本進行數據增強處理的方法為：采用隨機旋轉、縮放、鏡面處理、加入噪聲信號方式，擴增訓練樣本，以減少過擬合現象。

3.根據權利要求1所述的PET/CT圖像中高代謝淋巴結的分割方法，其特征在于，所述步驟4的具體過程包括：當雙路徑U-net卷積神經網絡訓練好后，利用訓練好的模型對任意PET/CT橫斷圖像進行高代謝淋巴結的分割。