[發(fā)明專利]一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010324982.5
• 申請日: 2020-04-23
• 公開（公告）號: CN111563902B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計）人: 李彬;黃迪臻;田聯(lián)房
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/181;G06N3/04;G06N3/08;G06V10/774;G06V10/764;G06K9/62
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割方法及系統(tǒng)，該方法包括以下步驟：構(gòu)建肺葉分割的訓(xùn)練圖像數(shù)據(jù)集；構(gòu)建基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割網(wǎng)絡(luò)并進(jìn)行網(wǎng)絡(luò)訓(xùn)練，對訓(xùn)練圖像數(shù)據(jù)集進(jìn)行預(yù)處理，訓(xùn)練完成后輸出每個像素所屬類別概率圖；采用Dice Loss損失函數(shù)計算每個像素所屬類別概率圖的損失，多個類別概率圖的損失進(jìn)行加權(quán)得到總損失；設(shè)置權(quán)重衰減和學(xué)習(xí)率衰減，訓(xùn)練網(wǎng)絡(luò)直至網(wǎng)絡(luò)收斂；將待測圖像進(jìn)行預(yù)處理后輸入到訓(xùn)練好的肺葉分割網(wǎng)絡(luò)輸出預(yù)測結(jié)果；將預(yù)測結(jié)果經(jīng)過后處理還原至待測圖像原始輸入尺寸獲得最終分割結(jié)果。本發(fā)明經(jīng)過預(yù)處理和網(wǎng)絡(luò)推理即可獲得肺葉分割結(jié)果，實現(xiàn)了端到端的設(shè)計，提高了肺葉分割的效率和精度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割方法及系統(tǒng)。

背景技術(shù)

目前，肺葉分割方法大致分為四種策略：基于圖像配準(zhǔn)的方法、基于分水嶺分割的方法、基于有監(jiān)督學(xué)習(xí)的方法、基于深度學(xué)習(xí)的方法，現(xiàn)有的基于圖像配準(zhǔn)的方法較依賴構(gòu)造圖譜且計算量大；現(xiàn)有的基于分水嶺分割的方法準(zhǔn)確率依賴于構(gòu)建的特征圖，容易因分水嶺界限不明確產(chǎn)生誤分割的問題；現(xiàn)有的基于有監(jiān)督學(xué)習(xí)的方法的準(zhǔn)確度依賴于人工提取的特征，且需要大量有標(biāo)簽的樣本；現(xiàn)有的基于深度學(xué)習(xí)的方法通過級聯(lián)方式，先分割肺部區(qū)域的3D包圍框，再對3D包圍框進(jìn)行肺葉分割，雖然提高了肺葉分割精度，但沒有實現(xiàn)端到端的工作流程，工作流程比較復(fù)雜。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)存在的缺陷與不足，本發(fā)明提供一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割方法及系統(tǒng)，在訓(xùn)練階段輸入整個CT體數(shù)據(jù)，對左右肺、5個肺葉、肺裂及肺邊界分別計算損失，將多任務(wù)的損失進(jìn)行組合優(yōu)化，測試階段只需要輸入整個CT體數(shù)據(jù)，經(jīng)過預(yù)處理和網(wǎng)絡(luò)推理即可獲得肺葉分割結(jié)果，實現(xiàn)了端到端的肺葉分割，提高了肺葉分割的效率和精度。

為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明提供一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割方法，包括下述步驟：

構(gòu)建肺葉分割的訓(xùn)練圖像數(shù)據(jù)集；

構(gòu)建基于三維卷積神經(jīng)網(wǎng)絡(luò)的肺葉分割網(wǎng)絡(luò)并進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

所述網(wǎng)絡(luò)訓(xùn)練具體包括：

對訓(xùn)練圖像數(shù)據(jù)集進(jìn)行預(yù)處理；

基于U型結(jié)構(gòu)搭建三維卷積神經(jīng)網(wǎng)絡(luò)，對輸入數(shù)據(jù)進(jìn)行下采樣提取特征，上采樣恢復(fù)原圖尺寸，輸出每個像素所屬類別概率圖；

采用Dice Loss損失函數(shù)計算每個像素所屬類別概率圖的損失，多個類別概率圖的損失進(jìn)行加權(quán)得到總損失；

設(shè)置權(quán)重衰減和學(xué)習(xí)率衰減，訓(xùn)練網(wǎng)絡(luò)直至網(wǎng)絡(luò)收斂；

將待測圖像進(jìn)行預(yù)處理后輸入到訓(xùn)練好的肺葉分割網(wǎng)絡(luò)，輸出預(yù)測結(jié)果；

將預(yù)測結(jié)果經(jīng)過后處理還原至待測圖像原始輸入尺寸，獲得最終分割結(jié)果。

作為優(yōu)選的技術(shù)方案，所述構(gòu)建肺葉分割訓(xùn)練圖像數(shù)據(jù)集，具體步驟包括：

所述肺葉分割訓(xùn)練圖像數(shù)據(jù)集標(biāo)注肺區(qū)域及肺葉；

根據(jù)已標(biāo)注的肺區(qū)域及肺葉，采用邊界提取算法提取左右肺邊界及肺裂，作為附加的標(biāo)注內(nèi)容。

作為優(yōu)選的技術(shù)方案，所述采用邊界提取算法提取左右肺邊界及肺裂，具體步驟包括：所述邊界提取算法采用三維輪廓提取算法，先對二值化的標(biāo)注區(qū)域填充孔洞，再提取三維輪廓，獲得右肺邊界及左肺邊界，肺裂像素點根據(jù)標(biāo)注的肺葉區(qū)域進(jìn)行提取，若像素點的設(shè)定鄰域內(nèi)存在不同標(biāo)簽的肺葉像素，則將像素點標(biāo)注為肺裂像素點。

作為優(yōu)選的技術(shù)方案，所述訓(xùn)練圖像數(shù)據(jù)集進(jìn)行預(yù)處理，具體步驟包括：

對訓(xùn)練圖像數(shù)據(jù)集的CT值進(jìn)行窗口截斷及歸一化，并對圖像尺寸縮放至網(wǎng)絡(luò)輸入的固定尺寸。