[發明專利]一種肝臟以及肝臟腫瘤的圖像分割方法和裝置

在審

• 申請號: 201911342328.0
• 申請日: 2019-12-23
• 公開（公告）號: CN111179237A
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 楊健;宋紅;范敬凡;張超逸;王涌天
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 北京市中聞律師事務所 11388
• 代理人: 馮夢洪

1.一種肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：其包括以下步驟：

(1)獲取腹部磁共振影像；

(2)使用肝臟模型確定感興趣區域，肝臟模型為空洞三維殘差U形神經網絡Dial3DResUNet，其結合長短程跳躍連接結構以及混合空洞卷積，充分捕獲圖像全局結構信息從而進行精準的肝臟分割；

(3)使用肝臟腫瘤模型進行精細分割以減少假陽性，肝臟腫瘤模型為混合三維卷積神經網絡H3DNet，其由混合三維Hybrid-3D卷積組成，在有效提取肝臟腫瘤三維特征的同時大幅度減少模型參數量，并降低模型優化難度以及過擬合風險。

2.根據權利要求1所述的肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：所述步驟(2)中，肝臟模型僅用三個降采樣層，此時基礎模型在編碼器末端的感受野大小為90*90*90；為了在模型編碼器的深層部分提取到圖像不同位置之間的長程依賴關系，加入空洞卷積。

3.根據權利要求2所述的肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：所述空洞卷積為混合空洞卷積：將基礎模型編碼器部分的第二個降采樣層后連續的三個卷積層的空洞率分別設置為1、2、4，將第三個降采樣層后連續的三個卷積層空洞率分別設置為3、4、5；將加入空洞卷積后的模型稱為Dial3DResUNet，其在編碼器末端感受野提升至266*266*266。

4.根據權利要求3所述的肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：所述步驟(2)中，對于模型解碼器部分，在每個stage末端引入輔助損失，形成深度監督機制。

5.根據權利要求4所述的肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：所述步驟(3)中，具體包括以下步驟：

(a)在訓練樣本采樣規則上，根據腫瘤金標準，找到每一個腫瘤的三維包圍盒，并在三個維度上均向外擴張一定的比例，在訓練采樣時，僅在這些膨脹過的三維立方體內隨機的采出固定大小的block進行訓練；

(b)從卷積模塊上，提出Hybrird-3D卷積，其將一層3D卷積解耦為兩層，分別為intra-slice卷積和inter-slice卷積，前者負責提取輸入張量中XY方向上的特征，后者負責對Z軸方向上的特征進行融合。

6.根據權利要求4所述的肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：所述步驟(3)中，

一個3D卷積層表示為Conv(I,O,D,H,W)，一個Hybrid-3D模塊表示為Conv(I,M,1,H,W)+Conv(M,O,D,1,1)，其中I代表輸入特征圖通道數量，M代表中間層特征圖的通道數量，O代表輸出層特征圖的通道數量，D、H、W分別表征Z、X、Y三個正交維度上使用的卷積核大小；在D、H、W都設為3的情況下，3D卷積總參數量為27*I*O，Hybrid-3D的總參數量為9I*M+3M*O；超參數M控制Hybrid-3D整體參數量，將其設定為與輸入通道數相同，因此Hybrid-3D模塊僅有3D卷積44％的參數量；

保留基礎模型中的第一個和最后一個stage以及其余每一個stage中的第一個卷積層不變，并將其余的3D卷積全部替換為Hybrid-3D卷積，稱替換后的模型為H3DNet；模型參數量替換前為8.4M，替換后為5.0M。

7.根據權利要求1-6任一項所述的肝臟以及肝臟腫瘤的圖像分割方法，其特征在于：所述步驟(3)之后還包括根據公式(1)進行模型訓練，

其中N為輸入張量中的體素總數；pred為腫瘤概率圖；target為金標準；∈為防止除零錯的常數項，設定為1e^-5；

為了進一步防止過擬合，在兩個網絡模型中除去第一個和最后一個之外的每一個stage末端加入了dropout層，其中隨機丟棄比例統一設置為0.3；對于激活函數，使用PReLU，并將斜率始化為0.25；使用He初始化對模型權重進行初始化。