[發明專利]基于深度學習的鼻咽癌病灶分割模型訓練方法及分割方法

在審

• 申請號: 201910141261.8
• 申請日: 2019-02-26
• 公開（公告）號: CN109919948A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 夏康力;田翔;晉建秀
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 梁瑩;顧思妍

1.一種基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：首先，將鼻咽癌MRI圖片及鼻咽癌病灶分割圖片集劃作為訓練集；其次，建立卷積神經網絡模型；最后，采用訓練集對卷積神經網絡模型進行訓練，得到訓練好的分割模型；

其中，所述采用訓練集對卷積神經網絡模型進行訓練，得到訓練好的分割模型是指：包括以下步驟：

第一步，將訓練集的樣本進行歸一化，得到歸一化后的樣本；

第二步，將歸一化后的樣本輸入模型，得到分割概率圖；

第三步，使用分割概率圖與歸一化后樣本的鼻咽癌病灶分割圖片進行計算，得到dice損失；使用dice損失，反向傳播更新模型參數；判斷是否達到設定的輪數，是則得到訓練好的分割模型，否則返回第一步。

2.根據權利要求1所述的基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：所述卷積神經網絡模型包括用于提取抽象特征以擴大感受野的下采樣層、用于恢復細節信息的上采樣層和用于使用低層特征為高層特征補充細節信息的跳躍連接層。

3.根據權利要求2所述的基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：所述下采樣層包括殘差卷積模塊；所述上采樣層包括金字塔池化模塊。

4.根據權利要求3所述的基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：第二步中，所述將歸一化后的樣本輸入模型，得到分割概率圖是指：包括以下步驟：

(1)將歸一化后的樣本輸入模型；

(2)對歸一化后的樣本執行一次倍數為2的下采樣；

(3)通過殘差卷積模塊執行四次殘差卷積；

(4)輸入金字塔池化模塊；

(5)拼接金字塔池化模塊的輸出與第四次殘差卷積的輸出；

(6)執行第五次殘差卷積；

(7)拼接第五次殘差卷積的輸出與第三次殘差卷積的輸出；

(8)執行第六次殘差卷積；

(9)拼接第六次殘差卷積的輸出與第二次殘差卷積的輸出；

(10)執行第七次殘差卷積；

(11)拼接第七次殘差卷積的輸出與第一次殘差卷積的輸出；

(12)執行一次倍數為2的上采樣；

(13)拼接上采樣的輸出與歸一化后的樣本；

(14)執行第八次殘差卷積，得到分割概率圖。

5.根據權利要求4所述的基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：所述殘差卷積是指將輸入分別通過兩條路徑，將兩條路徑的結果相加后輸入線性整流激活函數，輸出殘差卷積的結果；其中，第一條路徑依次對輸入執行一次卷積、批歸一化和線性整流激活函數；第二條路徑對輸入執行一次卷積。

6.根據權利要求4所述的基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：所述金字塔池化模塊中有四條路徑，拼接四條路徑的輸出后，將拼接結果輸入一個線性整流激活函數，最后將線性整流激活函數的輸出執行一次卷積、批歸一化和線性整流激活函數，得到金字塔池化模塊的輸出；

其中，四條路徑結構分別如下：

第一條路徑中含有一個大小為6的全局池化、一次卷積和一次上采樣；

第二條路徑中含有一個大小為3的全局池化、一次卷積和一次上采樣；

第三條路徑中含有一個大小為2的全局池化、一次卷積和一次上采樣；

第四條路徑中含有一個大小為1的全局池化、一次卷積和一次上采樣；

四條路徑中的上采樣輸出均為歸一化后的樣本輸入圖像大小。

7.根據權利要求3所述的基于深度學習的鼻咽癌病灶分割模型訓練方法，其特征在于：第三步中，dice損失作為卷積神經網絡模型的損失函數，其計算公式為：

其中，p為模型輸出的分割概率圖，g為圖像的真實分割圖。