[發(fā)明專利]基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的肝臟CT圖像分割方法及裝置

在審

• 申請?zhí)枺?/td>: 201911355349.6
• 申請日: 2019-12-25
• 公開（公告）號: CN111127484A
• 公開（公告）日: 2020-05-08
• 發(fā)明（設(shè)計(jì)）人: 杜強(qiáng);李德軒;匡銘;郭雨晨;聶方興
• 申請（專利權(quán)）人: 北京小白世紀(jì)網(wǎng)絡(luò)科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識產(chǎn)權(quán)代理有限公司 11543
• 代理人: 李斌

1.一種基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的肝臟電子計(jì)算機(jī)斷層掃描CT圖像分割方法，其特征在于，包括：

構(gòu)建基于密集卷積網(wǎng)絡(luò)DenseNet和U型網(wǎng)絡(luò)Unet的U型DenseNet二維2D網(wǎng)絡(luò)及U型DenseNet三維3D網(wǎng)絡(luò)；

基于自動(dòng)上下文auto-context方法，將U型DenseNet 3D網(wǎng)絡(luò)集成到U型DenseNet 2D網(wǎng)絡(luò)中，獲取U型DenseNet混合網(wǎng)絡(luò)并進(jìn)行深度學(xué)習(xí)訓(xùn)練；

通過訓(xùn)練好的所述U型DenseNet混合網(wǎng)絡(luò)對肝臟CT圖像進(jìn)行分割。

2.如權(quán)利要求1所述的方法，其特征在于，通過訓(xùn)練好的所述U型DenseNet混合網(wǎng)絡(luò)對肝臟CT圖像進(jìn)行分割具體包括：

通過訓(xùn)練好的所述U型DenseNet混合網(wǎng)絡(luò)獲取待分割的肝臟CT圖像的3D輸入體I，通過U型DenseNet 2D網(wǎng)絡(luò)將所述3D輸入體I進(jìn)行切片，并獲取所述3D輸入體I的切片內(nèi)特征，通過所述U型DenseNet 3D網(wǎng)絡(luò)，根據(jù)所述U型DenseNet 2D網(wǎng)絡(luò)輸出的上下層切片內(nèi)特征和所述3D輸入體I，獲取所述3D輸入體I的切片間特征，并獲取基于所述切片內(nèi)特征和所述切片間特征的混合特征，對所述混合特征進(jìn)行優(yōu)化，根據(jù)優(yōu)化結(jié)果輸出肝臟CT圖像的肝臟和腫瘤的分割圖。

3.如權(quán)利要求2所述的方法，其特征在于，通過U型DenseNet 2D網(wǎng)絡(luò)將所述3D輸入體I進(jìn)行切片，并獲取所述3D輸入體I的切片內(nèi)特征具體包括：

根據(jù)公式1獲取所述3D輸入體I的切片內(nèi)特征：

其中，X_2d＝R^{12n×224×224×64}，n表示輸入訓(xùn)練樣本的批量大小，R表示訓(xùn)練樣本，X_2d是U型DenseNet 2D網(wǎng)絡(luò)中的上采樣層的特征量，是I_2d的對應(yīng)像素的概率，I_2d∈R^{12n×224×224×3，}表示U型DenseNet 2D網(wǎng)絡(luò)的輸入樣本，θ_2d和θ_2dcls為網(wǎng)絡(luò)參數(shù)，函數(shù)f表示從體數(shù)據(jù)到三個(gè)相鄰切片的變換函數(shù)。

4.如權(quán)利要求2或3所述的方法，其特征在于，通過U型DenseNet 2D網(wǎng)絡(luò)將所述3D輸入體I進(jìn)行切片，并獲取所述3D輸入體I的切片內(nèi)特征之后，所述方法進(jìn)一步包括:

通過U型DenseNet 2D網(wǎng)絡(luò)中設(shè)置的過渡層改變切片內(nèi)特征的大小進(jìn)行切片內(nèi)特征的對齊，并通過過渡層中的壓縮因子，對特征映射的數(shù)量進(jìn)行壓縮，其中，所述過渡層包括一個(gè)批歸一化層、一個(gè)1×1卷積層以及一個(gè)池化層。

5.如權(quán)利要求3所述的方法，其特征在于，通過所述U型DenseNet 3D網(wǎng)絡(luò)，根據(jù)所述U型DenseNet 2D網(wǎng)絡(luò)輸出的上下層切片內(nèi)特征和所述3D輸入體I，獲取所述3D輸入體I的切片間特征，并獲取基于所述切片內(nèi)特征和所述切片間特征的混合特征具體包括：

根據(jù)公式2對U型DenseNet 2D網(wǎng)絡(luò)輸出的上下層切片內(nèi)特征進(jìn)行體形狀的轉(zhuǎn)換:

其中，表示體形狀變換函數(shù)，X_2d′＝R^{12n×224×224×64}，

根據(jù)公式3，通過所述U型DenseNet 3D網(wǎng)絡(luò)，根據(jù)3D輸入體I與來自U型DenseNet 2D網(wǎng)絡(luò)的上下文信息提取3D輸入體的切片間特征即U型DenseNet 3D網(wǎng)絡(luò)上采樣層的特征量X_3d，并根據(jù)X_3d和X_2d′獲取混合特征Z：

其中，θ_3d表示網(wǎng)絡(luò)參數(shù)。

6.如權(quán)利要求2所述的方法，其特征在于，對獲取的U型DenseNet混合網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)訓(xùn)練具體包括：

根據(jù)如公式4的加權(quán)交叉熵函數(shù)對獲取的U型DenseNet混合網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)訓(xùn)練：

其中，λ為權(quán)重平衡參數(shù)，第一交叉熵函數(shù)用于訓(xùn)練U型DenseNet2D網(wǎng)絡(luò)，第二交叉熵函數(shù)用于訓(xùn)練U型DenseNet 3D網(wǎng)絡(luò)，H表示混合特征Z對應(yīng)的混合特征圖。