[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法

在審

• 申請?zhí)枺?/td>: 202010104060.3
• 申請日: 2020-02-20
• 公開（公告）號: CN111340812A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計）人: 廖勝輝;鄒忠全;韓付昌;申鍇鑌;蔣義勇;劉姝;趙于前
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/08
• 代理公司: 長沙永星專利商標(biāo)事務(wù)所(普通合伙) 43001
• 代理人: 周詠;米中業(yè)

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，包括如下步驟：

S1.采用LITS數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，并對LITS數(shù)據(jù)集中的數(shù)據(jù)進行預(yù)處理；

S2.選定預(yù)分割網(wǎng)絡(luò)和修復(fù)網(wǎng)絡(luò)，并對選定的網(wǎng)絡(luò)模型進行優(yōu)化；

S3.對步驟S1中預(yù)處理后的數(shù)據(jù)進行再處理，從而解決數(shù)據(jù)不均衡的問題；

S4.在空間域上對特征圖中需要加強相應(yīng)的像素進行增強并得到初步分割結(jié)果，從而突出特征提取結(jié)果，進而提升分割精度；

S5.對步驟S4得到的初步分割結(jié)果進行變換，從而將交互式操作信息轉(zhuǎn)換為能夠進行多通道融合的圖像，并將所述的能夠進行多通道融合的圖像、原圖和初步分割結(jié)果一同作為修復(fù)網(wǎng)絡(luò)的輸入數(shù)據(jù)；

S6.采用修復(fù)網(wǎng)絡(luò)對初步分割結(jié)果進行進一步修復(fù)，從而得到最終的肝臟圖像分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于步驟S1所述的對LITS數(shù)據(jù)集中的數(shù)據(jù)進行預(yù)處理，具體為獲取的肝臟圖像數(shù)據(jù)信息，剪切出感興趣的區(qū)域，然后統(tǒng)一圖像數(shù)據(jù)的分辨率，最后對統(tǒng)一分辨率后的圖像重采樣至設(shè)定體素，從而得到一個序列圖像。

3.根據(jù)權(quán)利要求2所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于步驟S2所述的選定預(yù)分割網(wǎng)絡(luò)和修復(fù)網(wǎng)絡(luò)，具體為選定DenseVnet網(wǎng)絡(luò)作為預(yù)分割網(wǎng)絡(luò)和修復(fù)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求3所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于步驟S3所述的對步驟S1中預(yù)處理后的數(shù)據(jù)進行再處理，具體為利用NVIDIA聚合通信庫NCCL2.x中的算法，實現(xiàn)跨GPU同步BatchNormalization，擴大Mini batchsize，解決正負(fù)樣本比例嚴(yán)重不均衡等問題。

5.根據(jù)權(quán)利要求4所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于步驟S4所述的在空間域上對特征圖中需要加強相應(yīng)的像素進行增強，具體為利用注意力機制，在空間域上，對特征圖中越需要加強響應(yīng)的像素賦以越大的權(quán)重。

6.根據(jù)權(quán)利要求5所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于步驟S5所述的對步驟S4得到的初步分割結(jié)果進行變換，從而將交互式操作信息轉(zhuǎn)換為能夠進行多通道融合的圖像，具體為對步驟S4得到的初步分割結(jié)果，采用測地距離變換將交互式操作信息轉(zhuǎn)換為能夠進行多通道融合的圖像。

7.根據(jù)權(quán)利要求6所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于所述的測地距離變換，具體為采用如下算式作為測地距離變換公式：

式中min為取最小值操作；Ω_i為用戶交互的前景點或背景點；x為圖像中的任意一個體素點；l為體素點坐標(biāo)；F為前景點坐標(biāo)集合；B為前景點坐標(biāo)集合；d(s,x)的計算公式為其中C_s,x(p)表示連接s和x的路徑，W為融入交互信息的權(quán)重。

8.根據(jù)權(quán)利要求7所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于在訓(xùn)練階段，將交互式操作的種子點設(shè)定為預(yù)分割結(jié)果與GroundTruth差別區(qū)域的隨機位置，且種子點個數(shù)與差別區(qū)域像素個數(shù)之間滿足如下算式：

式中N為種子點個數(shù)，n為差別區(qū)域的像素個數(shù)。

9.根據(jù)權(quán)利要求8所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于步驟S6所述的采用修復(fù)網(wǎng)絡(luò)對初步分割結(jié)果進行進一步修復(fù)，具體使用Dense CRF算法，對分割結(jié)果中出現(xiàn)的空洞和雜質(zhì)區(qū)域進行優(yōu)化。

10.根據(jù)權(quán)利要求9所述的基于深度神經(jīng)網(wǎng)絡(luò)的交互式肝臟圖像分割方法，其特征在于所述的Dense CRF算法，具體為采用如下算式作為能量函數(shù)表達式：

式中為每一個體素只與自身類別相關(guān)的Unary能量函數(shù)；為每一個體素的類別信息與其他所有體素的類別信息的相關(guān)信息。