[發明專利]一種基于3D斷層掃描圖數據集的深度學習模型訓練方法

在審

• 申請號: 201910262302.9
• 申請日: 2019-04-02
• 公開（公告）號: CN110135454A
• 公開（公告）日: 2019-08-16
• 發明（設計）人: 張翔;毛瑞軍;孟群;曲飛寰;敬洋
• 申請（專利權）人: 成都真實維度科技有限公司;大連大學附屬中山醫院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 喻依豐

1.一種基于3D斷層掃描圖數據集的深度學習模型訓練方法，包括數據集的建立和模型的訓練兩個步驟，其特征在于：

數據集的建立包括如下步驟：

S01：獲取目標部位的若干張斷面掃描圖；

S02：對獲得的斷面掃描圖進行預處理和標注，將斷面掃描圖目標組織和非目標組織進行標記以進行區分，如此獲得多個標注樣本；

S03：將標注樣本進行存儲，得到數據集；

模型的訓練包括如下步驟：

S04：建立3D卷積神經網絡模型；

S05：將標注樣本中的信息輸入至3D卷積神經模型中進行訓練；

S06：所有的標注樣本數據均輸入至3D卷積神經模型中訓練完畢后，輸出訓練好的3D卷積神經深度學習模型。

2.根據權利要求1所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述的3D卷積神經網絡采用U-net分割網絡+Res-net殘差網絡結合的方式構建。

3.根據權利要求2所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述的卷積神經網絡模型包括用于存儲特征信息的淺層網絡和深層網絡，所述淺層網絡中存儲的特征信息用于補充至深層網絡。

4.根據權利要求1所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

上述步驟S02中的標注方式為：針對人體目標部位的斷層掃描圖的目標組織和非目標組織進行標注，區分目標組織和非目標組織。

5.根據權利要求1所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述標注的形式包括輪廓標記和點位標記。

6.根據權利要求1所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述標注的內容包括坐標信息，所述的坐標信息基于標注所在斷層掃描圖上的坐標系生成，且用于標記目標組織在斷層掃描圖上的相對位置。

7.根據權利要求6所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述的坐標系為三維笛卡爾坐標系，利用三維笛卡爾坐標系來表示每張斷層掃描圖上的目標組織和非目標組織的相對位置。

8.根據權利要求1所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述的標注內容還包括識別信息，所述的識別信息用于將當前位置的組織標記為目標組織或非目標組織。

9.根據權利要求8所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述的識別信息與坐標信息相匹配，當前位置對應組織的識別信息被賦予當前位置對應組織的坐標信息之后。

10.根據權利要求8或9所述的基于3D斷層掃描圖數據集的深度學習模型訓練方法，其特征在于：

所述的識別信息通過是與否的方式進行標記，當識別信息與目標組織的坐標信息匹配時，識別信息為“是”；當識別信息與非目標組織的坐標信息匹配時，識別信息為“否”。