[發明專利]基于深度神經網絡的US-CT圖像分割方法、系統及設備

在審

• 申請號: 202010528468.3
• 申請日: 2020-06-11
• 公開（公告）號: CN111681233A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 杜強;毛冠喬;郭雨晨;聶方興;張興;唐超
• 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;G06K9/62;G06N3/04;G06N3/08
• 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.基于深度神經網絡的US-CT圖像分割方法，其特征在于，包括以下步驟：

獲取多張待分割的US-CT圖像，對各US-CT圖像進行預處理；

將預處理后的US-CT圖像輸入預先訓練完成的US-CT圖像分割模型，從而獲得患者的疾病情況；

其中，US-CT圖像分割模型由主體為Residual結構和Dense結構構成的p-nas-net模型；所述p-nas-net模型變量固定為常量，并指定圖的輸出節點；保存文件為tflite格式。

2.如權利要求1所述的基于深度神經網絡的US-CT圖像分割方法，其特征在于，所述p-nas-net模型結構具體為：

p-nas-net主體為Residual結構和Dense結構，使用的主要操作是卷積、深度可分離卷積、膨脹卷積和批標準化；

激活函數采用Relu函數；

下采樣方式采用stride為2的卷積操作和最大池化操作；

上采樣方式采用線性插值法；

輸出采用softmax完成4分類任務；

損失函數采用均方誤差損失函數；

優化器采用加動量的隨機梯度下降方法。

3.如權利要求1或2所述的基于深度神經網絡的US-CT圖像分割方法，其特征在于，所述US-CT圖像分割模型通過以下方式進行訓練：

獲取多張US-CT圖像形成的訓練集、驗證集和測試集，對訓練集、驗證集和測試集中各張US-CT圖像進行預處理；其中，多張US-CT圖像中包括空掃圖像；

分別將預處理后的訓練集、驗證集中各圖像輸入至初始US-CT圖像分割模型對模型進行訓練，當驗證集分數不再提高時，達到訓練條件，則初始US-CT圖像分割模型訓練完成；

再將預處理后的測試集圖像輸入至所述訓練完成的模型中，對所述訓練完成的US-CT圖像分割模型進行檢測，如果檢測通過，得到最終訓練的US-CT圖像分割模型。

4.如權利要求3所述的基于深度神經網絡的US-CT圖像分割方法，其特征在于，所述US-CT圖像進行預處理包括：

先對各US-CT圖像進行去除列黑邊處理，再通過采用線性插值法對去黑邊處理的US-CT圖像進行縮放處理。

5.基于深度神經網絡的US-CT圖像分割系統，其特征在于，包括

圖像輸入單元：用于輸入待分割的US-CT圖像；

圖像預處理模塊：用于對US-CT圖像進行預處理，并輸入圖像分割單元；

圖像分割單元：用于對預處理后的US-CT圖像通過預先訓練完成的US-CT圖像分割模型進行圖像風格，獲得患者的疾病情況，其中，

US-CT圖像分割模型由主體為Residual結構和Dense結構構成的p-nas-net模型；p-nas-net模型變量固定為常量，并指定圖的輸出節點；保存文件為tflite格式。

6.如權利要求5所述的基于深度神經網絡的US-CT圖像分割系統，其特征在于，所述p-nas-net模型結構具體為：

p-nas-net主體為Residual結構和Dense結構，使用的主要操作是卷積、深度可分離卷積、膨脹卷積和批標準化；

激活函數采用Relu函數；

下采樣方式采用stride為2的卷積操作和最大池化操作；

上采樣方式采用線性插值法；

輸出采用softmax完成4分類任務；

損失函數采用均方誤差損失函數；

優化器采用加動量的隨機梯度下降方法。

7.如權利要求5所述的基于深度神經網絡的US-CT圖像分割系統，其特征在于，所述圖像分割模塊還包括US-CT圖像分割模型訓練模塊，用于對初始US-CT圖像分割模型完成訓練。