[發明專利]基于深度學習的新冠肺炎肺部病灶區域分割系統

有效

• 申請號: 202010873685.6
• 申請日: 2020-08-26
• 公開（公告）號: CN111932559B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 單飛;薛向陽;史維雅;王麗;張志勇;張力;施裕新;付彥偉
• 申請（專利權）人: 上海市公共衛生臨床中心;復旦大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 盧泓宇

1.一種基于深度學習的新冠肺炎肺部病灶區域分割系統，用于將CT斷層影像中的肺部病灶區域從肺部區域中分割出來，其特征在于，包括：

數據獲取部，用于獲取所述CT斷層影像；

數據預處理部，根據HU值對所述CT斷層影像進行預處理，得到待分割肺部影像；

圖像分割模型部，利用預先訓練好的圖像分割模型直接對所述待分割肺部影像進行分割得到所述肺部病灶區域并輸出；

畫面存儲部，用于存儲肺部病灶區域畫面；以及

顯示部，用于顯示所述肺部病灶區域畫面以及所述肺部病灶區域，

其中，所述圖像分割模型的訓練過程包括如下步驟：

步驟S1，收集不同患者與健康人員的待訓練CT斷層影像；

步驟S2，根據HU值對所述待訓練CT斷層影像進行預處理，得到待訓練肺部影像；

步驟S3，搭建原始二分類器以及分割網絡；

步驟S4，將所述待訓練肺部影像輸入所述原始二分類器進行訓練與優化，直到所述原始二分類器收斂得到二分類器；

步驟S5，在所述原始二分類器中獲取所述待訓練肺部影像通過所述原始二分類器的第3個模塊的卷積層時產生的二維梯度特征圖；

步驟S6，對所述二維梯度特征圖中的每個點進行升序排列，得到排序表；

步驟S7，在所述排序表中按照預定比例將前面的點對應的所述肺部影像的像素點作為背景像素點，按照預定比例將倒數的點對應的所述肺部影像的像素點作為前景像素點；

步驟S8，將所述待訓練肺部影像輸入所述分割網絡并基于作為正負樣本的所述前景像素點以及背景像素點對所述分割網絡進行優化，直到所述分割網絡收斂得到所述圖像分割模型，

其中，所述步驟S4還包含所述二分類器的優化過程，該優化過程用于學習一個稀疏化的網絡參數W，從而獲取對輸入感應強的參數，最終達到特征選擇的作用，所述優化過程具體如下：

首先，優化網絡整體的損失函數：

式中，Γ為一個與W大小相同且用于約束W的參數，為包含W和Γ的損失函數，為只包含W的原始損失函數即交叉熵，n為訓練樣本數量，v0,用來權衡W和Γ的距離，

其次：

式中，t為所述優化過程中的第t步，t0且t總優化次數，W_t為第t步時的網絡參數，V是的次微分，其中λ為超參數，用來約束Γ的稀疏性，к為大于0的衰減參數，是對求偏導，

上述求偏導和次微分使用了LBI來對網絡進行梯度下降優化，具體LBI算法如下：

式中，V₀＝Γ₀＝0，W₀高斯隨機初始化，k為所述優化過程中的第k步，α_k為第k步優化過程的學習率，Ω₁(Γ)＝∑_g||Γ^g||₂，而|Γ^g|表示當前層第g組Γ^g的參數數量，g在卷積層中表示為卷積層組個數，g在全連接層中表示為所有連接點的個數，

其中，所述步驟S8中所述分割網絡優化是指對所述正負樣本的像素點根據公式(4)進行損失函數計算：

式中，T為二分類器，S_c為對應類別像素點集合，X為所述待訓練肺部影像，f(X)為分割網絡，c為T中選擇的0或1分類，u為對應類別像素點，

并對每個包含所述正負樣本的像素點計算交叉熵，然后根據所述交叉熵進行反向傳播更新所述分割網絡。

2.根據權利要求1所述的基于深度學習的新冠肺炎肺部病灶區域分割系統，其特征在于：

其中，所述分割網絡為U-Net分割網絡。

3.根據權利要求1所述的基于深度學習的新冠肺炎肺部病灶區域分割系統，其特征在于：

其中，所述二分類器為LeNet、VGG、ResNet中的任意一種。

4.根據權利要求1所述的基于深度學習的新冠肺炎肺部病灶區域分割系統，其特征在于：

其中，所述預處理根據所述HU值對CT斷層影像進行預處理是指僅保留肺部HU值，將非肺部HU值全部置0。

5.根據權利要求1所述的基于深度學習的新冠肺炎肺部病灶區域分割系統，其特征在于：

其中，所述預定比例是百分之八。