[發明專利]基于深度學習的肝細胞癌磁共振圖像分割系統和方法

有效

• 申請號: 201910676893.4
• 申請日: 2019-07-25
• 公開（公告）號: CN110619635B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 黃炳升;蔡洵;曾英候;陳亮亮;馮仕庭;宋晨宇
• 申請（專利權）人: 深圳大學;中山大學附屬第一醫院
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/30;G06V10/25;G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 黎揚鵬

1.基于深度學習的肝細胞癌磁共振圖像分割方法，其特征在于：包括以下步驟：

獲取肝細胞癌腫瘤患者的多序列磁共振成像圖像；

將獲取的多序列磁共振成像圖像輸入至深度融合網絡模型中，從而獲得病灶分割結果圖；所述深度融合網絡模型包括深度卷積網絡模塊和多序列融合模塊，所述深度卷積網絡模塊劃分為多個序列通道，其中每個序列通道均用于處理所述多序列磁共振成像圖像中的一個序列的磁共振成像圖像，所述多序列融合模塊用于融合所有序列通道處理多序列磁共振成像圖像的處理結果；

所述深度融合網絡模型為預先訓練好的深度融合網絡模型，所述預先訓練好的深度融合網絡模型的訓練步驟具體包括：

獲取若干個肝細胞癌腫瘤患者的多序列磁共振成像圖像和多序列磁共振成像圖像對應的金標準圖；

將獲取的多序列磁共振成像圖像輸入深度卷積網絡模塊進行第一訓練，從而得到磁共振成像圖像對應的第一序列分割得分圖；

根據得到的第一序列分割得分圖和所述金標準圖對深度卷積網絡模塊的網絡權重做調整直至深度卷積網絡模塊訓練結束；

將訓練結束時的深度卷積網絡模塊的網絡權重作為初始網絡權重輸入至深度融合網絡模型中，并將獲取的多序列磁共振成像圖像輸入深度融合網絡模型進行第二訓練，從而得到第二序列分割得分圖；

根據得到的第二序列分割得分圖和所述金標準圖對深度融合網絡模型的網絡權重做調整；

所述將獲取的多序列磁共振成像圖像輸入深度卷積網絡模塊進行第一訓練，從而得到磁共振成像圖像對應的第一序列分割得分圖這一步驟，其具體包括：

將獲取的磁共振成像圖像輸入深度卷積網絡中進行特征提取，從而獲得特征圖；

將獲得的特征圖進行得分圖重建后得到第一序列分割得分圖。

2.根據權利要求1所述的基于深度學習的肝細胞癌磁共振圖像分割方法，其特征在于：所述獲取肝細胞癌腫瘤患者的多序列磁共振成像圖像這一步驟，其具體包括：

獲取肝細胞癌腫瘤患者的肝膽特異期磁共振成像圖像和門靜脈期磁共振成像圖像；

將獲取的門靜脈期磁共振成像圖像配準至肝膽特異期磁共振成像圖像，從而得到配準后的磁共振成像圖像；

對得到的配準后的磁共振成像圖像和肝膽特異期磁共振成像圖像進行肝細胞癌腫瘤的感興趣區域提取。

3.根據權利要求1所述的基于深度學習的肝細胞癌磁共振圖像分割方法，其特征在于：所述將獲取的多序列磁共振成像圖像輸入至深度融合網絡模型中，從而獲得病灶分割結果圖這一步驟，其具體包括：

將多序列磁共振成像圖像輸入至深度卷積網絡模塊中，得到不同序列的磁共振成像圖像對應的序列分割得分圖；

將得到的各序列分割得分圖輸入至多序列融合模塊中，從而獲得病灶分割結果圖。

4.根據權利要求1所述的基于深度學習的肝細胞癌磁共振圖像分割方法，其特征在于：所述將獲取的磁共振成像圖像輸入深度卷積網絡中進行特征提取，從而獲得特征圖這一步驟，其具體包括：

將獲取的磁共振成像圖像輸入由第1至第N個下采樣模塊依次連接所組成的下采樣塊中，得到磁共振成像圖像對應的第1至第N個特征圖；其中每個下采樣塊均包括2個卷積層、批正則化層、線性矯正單元和最大池化層，N為正整數；

將第N個特征圖經過三個卷積核后獲得最終的特征圖。

5.根據權利要求4所述的基于深度學習的肝細胞癌磁共振圖像分割方法，其特征在于：所述將獲得的特征圖進行得分圖重建后得到第一序列分割得分圖這一步驟，其具體為：

將獲得的特征圖輸入由第1至第N個反卷積模塊依次連接所組成的反卷積塊中得到序列分割得分圖；其中每個反卷積塊均包括反卷積層、連接層和2個卷積層；其中第1至第N個連接層輸入端分別與得到的第N至第1個特征圖對應連接。