[發明專利]一種訓練右心室分割模型、右心室分割的方法及系統

有效

• 申請號: 202010599800.5
• 申請日: 2020-06-28
• 公開（公告）號: CN111784696B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 廖鍇珉;楊烜;楊博乾
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/044;G06N3/047;G06N3/0464;G06N3/0475;G06N3/08
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 劉靜

1.一種訓練右心室分割模型的方法，其特征在于，包括如下步驟：

構建預設層數的形狀玻爾茲曼機；

將有標注的右心室訓練樣本輸入到傳統深度學習分割網絡，生成分割預測形狀，并計算分割預測形狀與專家標注形狀之間的相似度作為第一目標函數，通過以下公式計算第一目標函數：

其中，i表示圖像中第i個像素，是分割網絡預測的第i個像素屬于右心室的概率，是分割網絡預測的第i個像素屬于背景的概率，為分割預測形狀中像素點i是否屬于右心室的專家標注，為分割預測形狀中像素點i是否背景的專家標注，表示像素點i屬于右心室，表示像素點i屬于背景；

將沒有標注的右心室訓練樣本輸入到傳統深度學習分割網絡，生成分割預測形狀，將分割預測形狀作為形狀玻爾茲曼機的蒙特卡洛馬爾科夫鏈的初態，經過k次蒙特卡洛馬爾科夫鏈迭代得到重構形狀，并計算分割預測形狀與玻爾茲曼機重構形狀之間的相似度作為第二目標函數，通過以下公式計算第二目標函數：

其中，為像素點i是否屬于重構形狀中的右心室，為像素點i是否屬于重構形狀中的背景，表示像素點i屬于右心室，表示像素點i屬于背景；

隨機選取若干個專家標注的右心室形狀作為正樣本，若干個形狀玻爾茲曼機的重構形狀作為負樣本的蒙特卡洛馬爾科夫鏈初態，對形狀玻爾茲曼機進行訓練，更新形狀玻爾茲曼機參數；

利用第一目標函數和第二目標函數構建總目標函數，對傳統深度學習分割網絡的參數進行調整，通過以下公式計算總目標函數：

loss＝loss₁+loss₂；重復更新形狀玻爾茲曼機參數及對傳統深度學習分割網絡的參數進行調整的過程，當達到預設迭代次數或滿足總目標函數的預設收斂條件時，得到訓練好的右心室分割模型。

2.根據權利要求1所述的訓練右心室分割模型的方法，其特征在于，

將分割預測形狀作為形狀玻爾茲曼機的蒙特卡洛馬爾科夫鏈的初態，經過k次蒙特卡洛馬爾科夫鏈迭代得到重構形狀的過程包括：

輸入沒有標注的右心室訓練樣本輸入到傳統深度學習分割網絡，得到的分割預測形狀作為形狀玻爾茲曼機的蒙特卡洛馬爾科夫鏈的初態，并設置重構次數k，平均值卷積核f；

根據分割預測形狀及平均值卷積核f計算分割預測形狀的平均值卷積結果，并根據平均值卷積結果確定其所在的區域為目標區域或背景區域；

利用預設函數對輸入的分割預測形狀進行卷積計算，并進行伯努利采樣，更新形狀玻爾茲曼機兩層卷積隱藏層、全連接隱藏層的值；根據平均值卷積結果確定其所在的區域得到更新后的分割預測形狀；

迭代k次后，得到最終的重構形狀。

3.根據權利要求2所述的訓練右心室分割模型的方法，其特征在于，構建預設層數的形狀玻爾茲曼機為四層的形狀波爾茲曼機，包括一層輸入層，兩層卷積隱藏層，一層全連接隱藏層；

對形狀玻爾茲曼機進行訓練，更新形狀玻爾茲曼機參數的過程，包括：

輸入專家標注的訓練樣本的形狀v_d作為正樣本，迭代k次，得到形狀v_d推理的三層隱藏層的值

輸入形狀玻爾茲曼機的重構形狀v_m作為負樣本的MCMC鏈初態，更新形狀玻爾茲曼機三層隱藏層的值，對更新的形狀玻爾茲曼機三層隱藏層的值進行伯努利采樣，得到重構形狀v_m推理的三層隱藏層的值

利用和計算形狀玻爾茲曼機的參數，參數包括三個隱藏層的偏置參數v⁽¹⁾、c⁽²⁾、c⁽³⁾、輸入層、兩層卷積隱藏層的卷積核f⁽¹⁾、f⁽²⁾、f⁽³⁾及偏置b的梯度，利用自適應梯度下降算法調整形狀玻爾茲曼機的參數。

4.根據權利要求1所述的訓練右心室分割模型的方法，其特征在于，對傳統深度學習分割網絡的參數進行調整的調整量為：

w_i^′＝w_i+γΔw_i

其中，w_i為傳統深度學習分割網絡中第i個網絡參數，參數的變化量γ為學習速率。