[發明專利]基于深度學習的肺結節分割計算方法、裝置及系統

有效

• 申請號: 202010328128.6
• 申請日: 2020-04-23
• 公開（公告）號: CN111553892B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 杜強;高澤賓;郭雨晨;聶方興;張興
• 申請（專利權）人: 北京小白世紀網絡科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 李斌

1.一種基于深度學習的肺結節分割計算方法，其特征在于，包括：

獲取同一個肺結節的多張電子計算機斷層掃描CT圖像，其中，所述多張CT圖像為3D序列數據；

將所述多張CT圖像輸入到預先訓練好的W型卷積神經網絡結構WNet中，并獲取所述多張CT圖像的分割結果；根據可擴展標記語言XML標注文件從肺部影像數據集LIDC中提取訓練測試數據；從所述訓練測試數據中以病灶區域為中心裁剪出結節區域數據；通過翻轉處理對結節區域數據進行離線增強處理；將處理后的結節區域數據送入WNet的多級卷積網絡，其中，每級卷積網絡中包括：批量歸一化BN模塊、線性整流函數ReLU模塊、以及特征Identity模塊，所述結節區域數據通過下采樣、卷積、特征提取的方式在WNet的多級卷積網絡中傳遞，并在每級卷積網絡中提取不同尺度的圖像特征，將每級卷積網絡的結果進行綜合得到最后的分割結果；

根據所述分割結果和CT圖像的空間分辨率計算肺結節的直徑和體積，獲取同一肺結節的分割結果后，對分割結果中每張圖像中包含結節區域的最小橢圓進行擬合得到直徑，并將同一肺結節多張圖像計算的直徑進行對比得到最大直徑；根據CT影像的空間分辨率計算體素大小；計算所有結節像素的個數，將所述個數乘以單個像素對應的體素大小得到結節體積。

2.根據權利要求1所述的方法，其特征在于，將所述多張CT圖像輸入到預先訓練好的WNet獲取所述多張CT圖像的分割結果具體包括：

使用檢測算法檢測所述3D序列數據中的結節區域，并將所述結節區域數據裁剪出來，獲得多張裁剪圖像，其中，所述裁剪圖像的中心點為病灶區域中心；

將同一個肺結節的多張裁剪圖像依次送入預先訓練好的WNet獲取分割結果，其中，圖像分割結果為0和1構成的二值圖，1代表結節。

3.根據權利要求1所述的方法，其特征在于，對WNet預先進行訓練時，所述方法進一步包括：

采用基于群體的訓練PBT方式自動搜索超參數：設定突變因子s和超參數搜索空間β，其中，每過s輪迭代后從指定的超參數空間β中重采樣一組超參數；設定完成后，隨機初始化N個WNet訓練模型，同時對N個WNet訓練模型開始訓練，在訓練過程中每經過s代對比各個模型在驗證集上的性能，按照指定概率將當前最優模型M_best的參數及超參數復制給表現較差的模型M_worse，同時以隨機的方式產生新的超參數用于M_worse模型繼續訓練；

使用基于種群的數據增強PBA方式在由多種圖像增強方法構成的參數空間中進行策略搜索，得到合適的在線數據增強策略，并采用向量α表示在線數據增強策略，將所述向量α應用于WNet訓練模型中，其中，向量α中的每兩個數字描述一種方法，第一個數字代表該方法的應用概率，第二個數字代表該方法應用水平或強度。

4.一種基于深度學習的肺結節分割計算系統，其特征在于，包括：

獲取模塊，用于獲取同一個肺結節的多張電子計算機斷層掃描CT圖像，其中，所述多張CT圖像為3D序列數據；

分割模塊，用于將所述多張CT圖像輸入到預先訓練好的W型卷積神經網絡結構WNet中，并獲取所述多張CT圖像的分割結果；根據可擴展標記語言XML標注文件從肺部影像數據集LIDC中提取訓練測試數據；從所述訓練測試數據中以病灶區域為中心裁剪出結節區域數據；通過翻轉處理對結節區域數據進行離線增強處理；將處理后的結節區域數據送入WNet的多級卷積網絡，其中，每級卷積網絡中包括：批量歸一化BN模塊、線性整流函數ReLU模塊、以及特征Identity模塊，所述結節區域數據通過下采樣、卷積、特征提取的方式在WNet的多級卷積網絡中傳遞，并在每級卷積網絡中提取不同尺度的圖像特征，將每級卷積網絡的結果進行綜合得到最后的分割結果；

計算模塊，用于根據所述分割結果和CT圖像的空間分辨率計算肺結節的直徑和體積，獲取同一肺結節的分割結果后，對分割結果中每張圖像中包含結節區域的最小橢圓進行擬合得到直徑，并將同一肺結節多張圖像計算的直徑進行對比得到最大直徑；根據CT影像的空間分辨率計算體素大小；計算所有結節像素的個數，將所述個數乘以單個像素對應的體素大小得到結節體積。