[發(fā)明專利]基于W型網(wǎng)絡(luò)結(jié)構(gòu)的臨床顳骨CT多結(jié)構(gòu)提取方法及裝置

有效

• 申請?zhí)枺?/td>: 202010075659.9
• 申請日: 2020-01-22
• 公開（公告）號: CN111292339B
• 公開（公告）日: 2023-01-10
• 發(fā)明（設(shè)計）人: 王君臣;呂弈
• 申請（專利權(quán)）人: 北京航空航天大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/155;G06T7/187
• 代理公司: 北京清亦華知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 王艷斌

1.一種基于W型網(wǎng)絡(luò)結(jié)構(gòu)的臨床顳骨CT多結(jié)構(gòu)提取方法，其特征在于，包括以下步驟：

獲取訓練數(shù)據(jù)集；

根據(jù)所述訓練數(shù)據(jù)集訓練W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型；以及

采集用戶的當前數(shù)據(jù)，將所述當前數(shù)據(jù)輸入至訓練好的所述W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，提取耳蝸信息、聽骨鏈信息與面神經(jīng)信息；

在獲取所述訓練數(shù)據(jù)集之后，還包括：

根據(jù)擬合條件對所述訓練數(shù)據(jù)集的訓練數(shù)據(jù)進行數(shù)據(jù)增強與歸一化處理，其中，所述擬合條件包括：對面神經(jīng)進行加粗處理的形態(tài)學增強，對數(shù)據(jù)進行隨機平移、縮放的數(shù)據(jù)增強的訓練前處理；

所述W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由3*3*3的三維卷積、最大池化和反卷積構(gòu)成，包含兩個向下編碼與兩個向上解碼的結(jié)構(gòu)，并采用三個交叉的跳躍連接的方式進行連接，其中，

卷積的步長在三個方向均為1個像素，padding在三個方向設(shè)置為1個像素，以使輸入與輸出的尺寸相同，圖像在經(jīng)過最初的兩次卷積后，輸入的channel變?yōu)?4，之后進行2*2*2的最大池化操作；

將解碼結(jié)構(gòu)上的兩次卷積操作中第一次卷積的channel數(shù)變化值由/3改為/2，且在兩個將channel從“64+128”計算到“64”卷積操作中，所使用的卷積核為相同的卷積核；

還包括：

通過最大區(qū)域生長法方法自動計算輸出三維數(shù)據(jù)中所有的連續(xù)體，并選出體積最大的連續(xù)體，以過濾其他雜質(zhì)，實現(xiàn)對W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的優(yōu)化。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述訓練數(shù)據(jù)集訓練W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，包括：

采用自適應矩估計作為訓練優(yōu)化器，并設(shè)置所述訓練優(yōu)化器的學習率、輸入的數(shù)據(jù)尺寸、三個分割結(jié)構(gòu)的權(quán)重值以及batch值；

將所述訓練數(shù)據(jù)集輸入所述設(shè)置的訓練優(yōu)化器中以訓練所述W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，并在訓練迭代次數(shù)達到預設(shè)次數(shù)之后完成訓練；

其中，在訓練中使用Dice與權(quán)重交叉熵之和作為損失函數(shù)，其定義如下：

loss＝loss_wce+loss_dice

其中，w_i為不同種類標簽的權(quán)重，p_gt為真值，p_pred為預測值。

3.一種基于W型網(wǎng)絡(luò)結(jié)構(gòu)的臨床顳骨CT多結(jié)構(gòu)提取裝置，其特征在于，所述裝置用于實現(xiàn)如權(quán)利要求1所述的一種基于W型網(wǎng)絡(luò)結(jié)構(gòu)的臨床顳骨CT多結(jié)構(gòu)提取方法,所述裝置包括：

獲取模塊，用于獲取訓練數(shù)據(jù)集；

訓練模塊，用于根據(jù)所述訓練數(shù)據(jù)集訓練W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型；以及

提取模塊，用于采集用戶的當前數(shù)據(jù)，將所述當前數(shù)據(jù)輸入至訓練好的所述W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，提取耳蝸信息、聽骨鏈信息與面神經(jīng)信息。

4.根據(jù)權(quán)利要求3所述的裝置，其特征在于，還包括：

數(shù)據(jù)預處理模塊，在獲取所述訓練數(shù)據(jù)集之后，用于根據(jù)擬合條件對所述訓練數(shù)據(jù)集的訓練數(shù)據(jù)進行數(shù)據(jù)增強與歸一化處理，其中，所述擬合條件包括：對面神經(jīng)進行加粗處理的形態(tài)學增強，對數(shù)據(jù)進行隨機平移、縮放的數(shù)據(jù)增強的訓練前處理。

5.根據(jù)權(quán)利要求3所述的裝置，其特征在于，所述W型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由3*3*3的三維卷積、最大池化和反卷積構(gòu)成，包含兩個向下編碼與兩個向上解碼的結(jié)構(gòu)，并采用三個交叉的跳躍連接的方式進行連接，其中，

卷積的步長在三個方向均為1個像素，padding在三個方向設(shè)置為1個像素，以使輸入與輸出的尺寸相同，圖像在經(jīng)過最初的兩次卷積后，輸入的channel變?yōu)?4，之后進行2*2*2的最大池化操作；

將解碼結(jié)構(gòu)上的兩次卷積操作中第一次卷積的channel數(shù)變化值由/3改為/2，且在兩個將channel從“64+128”計算到“64”卷積操作中，所使用的卷積核為相同的卷積核。