[發明專利]基于深度神經網絡的交互式肝臟圖像分割方法

在審

• 申請號: 202010104060.3
• 申請日: 2020-02-20
• 公開（公告）號: CN111340812A
• 公開（公告）日: 2020-06-26
• 發明（設計）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）人: 中南大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/08
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業

本發明公開了一種基于深度神經網絡的交互式肝臟圖像分割方法，包括采用LITS數據集作為訓練數據并預處理；選定預分割網絡和修復網絡并優化；對預處理后的數據再處理；在空間域上對特征圖中需要加強相應的像素進行增強并得到初步分割結果；對初步分割結果進行變換并得到輸入數據；采用修復網絡對初步分割結果進行進一步修復得到最終的肝臟圖像分割結果。本發明本發明方法的可靠性高、準確性好且速度較快。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于深度神經網絡交互式肝臟圖像分割方法。

背景技術

隨著經濟技術的發展和人們生活水平的提高，人們對于自身健康的關注程度也越來越高。而隨著智能算法的普及，計算機輔助診斷技術也逐步開始應用于醫療領域。

肝臟圖像中，肝臟分割是實現肝臟疾病計算機輔助診斷和肝臟移植術前規劃的前提。利用分割并重建得到的肝臟模型可以輔助肝臟病灶分析、體積測量、血管分析、肝臟分段、疾病診斷和評估等工作。由于三維成像使用的圖像切片數量很大，人工分割每個切片很耗時且分割結果有很大的主觀性。肝臟(圖像)分割旨在利用較少的時間代價，獲得極高精度的分割結果，減少醫生診斷負擔。

現存的圖像分割方法一般采用的是自動分割方法。自動分割的代表方法是神經網絡，這類方法利用強大的機器學習能力，學習數據的特征，可以直接進行像素級別端到端的語義分割。

但是，由于醫學圖像的復雜性，特別是針對復雜器官的提取，使得自動分割方法的使用受到了局限，并且其分割結果的準確性也不能滿足目前的醫學要求。

發明內容

本發明的目的在于提供一種可靠性高、準確性好且速度較快的基于深度神經網絡的交互式肝臟圖像分割方法。

本發明提供的這種基于深度神經網絡的交互式肝臟圖像分割方法，包括如下步驟：

S1.采用LITS數據集作為訓練數據，并對LITS數據集中的數據進行預處理；

S2.選定預分割網絡和修復網絡，并對選定的網絡模型進行優化；

S3.對步驟S1中預處理后的數據進行再處理，從而解決數據不均衡的問題；

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

S5.對步驟S4得到的初步分割結果進行變換，從而將交互式操作信息轉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、原圖和初步分割結果一同作為修復網絡的輸入數據；

S6.采用修復網絡對初步分割結果進行進一步修復，從而得到最終的肝臟圖像分割結果。

步驟S1所述的對LITS數據集中的數據進行預處理，具體為獲取的肝臟圖像數據信息，剪切出感興趣的區域，然后統一圖像數據的分辨率，最后對統一分辨率后的圖像重采樣至設定體素，從而得到一個序列圖像。

步驟S2所述的選定預分割網絡和修復網絡，具體為選定DenseVnet網絡作為預分割網絡和修復網絡。

步驟S3所述的對步驟S1中預處理后的數據進行再處理，具體為利用NVIDIA聚合通信庫NCCL2.x中的算法，實現跨GPU同步BatchNormalization，擴大Mini batchsize，解決正負樣本比例嚴重不均衡等問題。

步驟S4所述的在空間域上對特征圖中需要加強相應的像素進行增強，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的像素賦以越大的權重。

步驟S5所述的對步驟S4得到的初步分割結果進行變換，從而將交互式操作信息轉換為能夠進行多通道融合的圖像，具體為對步驟S4得到的初步分割結果，采用測地距離變換將交互式操作信息轉換為能夠進行多通道融合的圖像。