[發(fā)明專利]一種基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法、系統(tǒng)、終端及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010783409.0
• 申請(qǐng)日: 2020-08-06
• 公開（公告）號(hào): CN112017136A
• 公開（公告）日: 2020-12-01
• 發(fā)明（設(shè)計(jì)）人: 劉峰;周振;劉秋月;俞益洲;王亦洲
• 申請(qǐng)（專利權(quán)）人: 杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責(zé)任公司
• 主分類號(hào): G06T5/50
• 分類號(hào): G06T5/50;G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京天方智力知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11719
• 代理人: 白凱園

1.一種基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法，其特征在于，包括：

將獲取的肺部CT圖像輸入至預(yù)設(shè)的漸進(jìn)式上采樣骨架網(wǎng)絡(luò)模型，輸出特征圖像；

將所述特征圖像輸入至3D卷積神經(jīng)網(wǎng)絡(luò)模型，所述3D卷積神經(jīng)網(wǎng)絡(luò)模型為肺內(nèi)分支、肺外分支和肺掩碼分支組成的卷積神經(jīng)網(wǎng)絡(luò)模型；

通過所述肺掩碼分支對(duì)所述特征圖像的每個(gè)像素進(jìn)行分類，確定肺內(nèi)部分與肺外部分并進(jìn)行分類標(biāo)記；

將所述特征圖像的肺內(nèi)部分、肺外部分分別輸入至所述肺內(nèi)分支、肺外分支進(jìn)行特征學(xué)習(xí)，生成肺內(nèi)圖像與肺外圖像；

將所述肺內(nèi)分支、肺外分支的生成圖像組合構(gòu)成完整的CT生成圖像。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法，其特征在于，所述將所述肺部CT圖像輸入至預(yù)設(shè)的漸進(jìn)式上采樣骨架網(wǎng)絡(luò)模型，輸出特征圖像，包括：

將所述肺部CT圖像輸入到編碼模塊進(jìn)行特征提取，得到特征圖像，并對(duì)所述特征圖像進(jìn)行多次卷積、池化實(shí)現(xiàn)下采樣，得到不同分辨率的特征圖；

將不同分辨率的特征圖輸入到解碼模塊進(jìn)行上采樣，得到圖像像素的位置信息；

將所述編碼模塊與解碼模塊對(duì)應(yīng)的相同尺度的特征圖進(jìn)行相加或并聯(lián)連接，得到融合不同層次特征的特征圖像；

其中，所述進(jìn)式上采樣骨架網(wǎng)絡(luò)模型包括編碼模塊、解碼模塊、跳躍連接模塊。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法，其特征在于，所述將所述特征圖像輸入至3D卷積神經(jīng)網(wǎng)絡(luò)模型，所述3D卷積神經(jīng)網(wǎng)絡(luò)模型為肺內(nèi)分支、肺外分支和肺掩碼分支組成的卷積神經(jīng)網(wǎng)絡(luò)模型，包括：

所述肺掩碼分支完成肺分割任務(wù)，所述肺內(nèi)分支、肺外分支和肺掩碼分支均由相同結(jié)構(gòu)的3D卷積層構(gòu)成。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法，其特征在于，所述通過所述肺掩碼分支對(duì)所述特征圖像的每個(gè)像素進(jìn)行分類，確定肺內(nèi)部分與肺外部分并進(jìn)行分類標(biāo)記，包括：

將所述特征圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)模型的肺掩碼分支，輸出特征圖像肺內(nèi)部分與肺外部分的分割結(jié)果，并進(jìn)行分類標(biāo)記；

利用交叉熵?fù)p失函數(shù)計(jì)算所述特征圖像的分割結(jié)果與真實(shí)的肺部分割金標(biāo)準(zhǔn)之間的損失值；

根據(jù)上述所得損失值更新漸進(jìn)式上采樣骨架網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型的肺掩碼分支的模型參數(shù)；

對(duì)漸進(jìn)式上采樣骨架網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型的肺掩碼分支進(jìn)行迭代訓(xùn)練。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法，其特征在于，所述將所述特征圖像的肺內(nèi)部分、肺外部分分別輸入至所述肺內(nèi)分支、肺外分支進(jìn)行特征學(xué)習(xí)，生成肺內(nèi)圖像與肺外圖像，包括：

將所述特征圖像的肺外部分輸入至卷積神經(jīng)網(wǎng)絡(luò)模型的肺外分支，生成肺外圖像；

利用L1損失函數(shù)計(jì)算所述肺外圖像與真實(shí)目標(biāo)圖像之間的損失值；

根據(jù)上述所得損失值對(duì)漸進(jìn)式上采樣骨架網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型的肺外分支的模型參數(shù)進(jìn)行梯度回傳和更新；

將所述肺外圖像的每個(gè)像素點(diǎn)進(jìn)行取反操作生成肺內(nèi)圖像；

利用差異感知損失函數(shù)計(jì)算所述肺內(nèi)圖像與真實(shí)目標(biāo)圖像之間的損失值；

根據(jù)上述所得損失值更新漸進(jìn)式上采樣骨架網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型的肺內(nèi)分支的模型參數(shù)。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的肺部CT圖像參數(shù)重建方法，其特征在于，所述利用差異感知損失函數(shù)計(jì)算所述肺內(nèi)圖像與真實(shí)目標(biāo)圖像之間的損失值，包括：

在原始L1損失函數(shù)的基礎(chǔ)上為所述肺內(nèi)圖像的每個(gè)像素點(diǎn)增加權(quán)重W_i,j,k；

利用差異感知損失函數(shù)計(jì)算所述肺內(nèi)圖像與真實(shí)目標(biāo)圖像之間的損失值；

所述權(quán)重計(jì)算公式如下：

其中，表示生成的圖像，X表示真實(shí)目標(biāo)圖像,i,j,k為像素下標(biāo)位置，α、β和γ是三個(gè)超參數(shù)。