[發明專利]基于W型網絡結構的臨床顳骨CT多結構提取方法及裝置

有效

• 申請號: 202010075659.9
• 申請日: 2020-01-22
• 公開（公告）號: CN111292339B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 王君臣;呂弈
• 申請（專利權）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: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 王艷斌

本發明公開了一種基于W型網絡結構的臨床顳骨CT多結構提取方法及裝置，其中，方法包括以下步驟：獲取訓練數據集；根據訓練數據集訓練W型神經網絡結構模型；采集用戶的當前數據，將當前數據輸入至訓練好的W型神經網絡結構模型，提取耳蝸信息、聽骨鏈信息與面神經信息。該方法可以在非常短的時間提取同時提取耳蝸、聽骨鏈與面神經等結構，簡單易實現。

技術領域

本發明涉及醫學圖像處理技術領域，特別涉及一種基于W型網絡結構的臨床顳骨CT多結構提取方法及裝置。

背景技術

目前世界最先進的耳蝸CT提取方法為基于地圖集的提取方法，該方法是一種基于micro-CT進行分割，并使用該分割結果與臨床的低分辨率進行配準的方法。這種方法目前難以廣泛推廣，主要原因有以下幾點：第一，這種方法需要micro-CT設備，價格遠高于普通的CT設備，且掃描體積較小。第二，這種方法依賴于配準的精度，也就是說如果預先分割的模型與配準目標的形態結構差異較大，則分割精度會大大下降。即這種方法穩定性較差。第三，這種方法一次只能分割單一目標，無法對于多目標進行同時且高精度分割。

另外，目前神經網絡在醫學圖像分割上的應用主要為二維與三維圖像上的大型器官分割，而對于顳骨CT中的具有體積微小且形態復雜的結構還沒有應用，有待解決。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種基于W型網絡結構的臨床顳骨CT多結構提取方法，該方法可以在非常短的時間提取同時提取耳蝸、聽骨鏈與面神經等結構，簡單易實現。

本發明的另一個目的在于提出一種基于W型網絡結構的臨床顳骨CT多結構提取裝置。

為達到上述目的，本發明一方面實施例提出了一種基于W型網絡結構的臨床顳骨CT多結構提取方法，包括以下步驟：獲取訓練數據集；根據所述訓練數據集訓練W型神經網絡結構模型；采集用戶的當前數據，將所述當前數據輸入至訓練好的所述W型神經網絡結構模型，提取耳蝸信息、聽骨鏈信息與面神經信息。

本發明實施例的基于W型網絡結構的臨床顳骨CT多結構提取方法，通過使用少量數據集訓練W型神經網絡結構模型，可以在非常短的時間提取同時提取耳蝸、聽骨鏈與面神經等結構，簡單易實現。

另外，根據本發明上述實施例的基于W型網絡結構的臨床顳骨CT多結構提取方法還可以具有以下附加的技術特征：

進一步地，在本發明的一個實施例中，在獲取所述訓練數據集之后，還包括：根據擬合條件對所述訓練數據集的訓練數據進行數據增強與歸一化處理，其中，所述擬合條件包括：對面神經進行加粗處理的形態學增強，對數據進行隨機平移、縮放的數據增強的訓練前處理。

進一步地，在本發明的一個實施例中，所述W型神經網絡結構由3*3*3的三維卷積、最大池化和反卷積構成，包含兩個向下編碼與兩個向上解碼的結構，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在三個方向設置為1個像素，以使輸入與輸出的尺寸相同，圖像在經過最初的兩次卷積后，輸入的channel變為64，之后進行2*2*2的最大池化操作；將解碼結構上的兩次卷積操作中第一次卷積的channel數變化值由/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。

進一步地，在本發明的一個實施例中，所述根據所述訓練數據集訓練W型神經網絡結構模型，包括：采用自適應矩估計作為訓練優化器，并設置所述訓練優化器的學習率、輸入的數據尺寸、三個分割結構的權重值以及batch值；將所述訓練數據集輸入所述設置的訓練優化器中以訓練所述W型神經網絡結構模型，并在訓練迭代次數達到預設次數之后完成訓練。

進一步地，在本發明的一個實施例中，其中，在訓練中使用Dice與權重交叉熵之和作為損失函數，其定義如下：