[發(fā)明專利]基于樣本生成和遷移學習的肝臟CT圖像多病變分類方法

有效

• 申請?zhí)枺?/td>: 202011159865.4
• 申請日: 2020-10-27
• 公開（公告）號: CN112241766B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 緱水平;曹思穎;周海彬;楊玉林;劉豪鋒;續(xù)溢男;駱安琳
• 申請（專利權(quán)）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/26;G06V10/82;G06N3/0464;G06N3/048;G06N3/047;G06N3/0475;G06N3/094;G06N3/084
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;王璽鈞

本發(fā)明公開了一種基于樣本生成和遷移學習的肝臟CT圖像多病變分類方法，主要解決現(xiàn)有方法對肝臟多種病變檢測性能不高的問題。其實現(xiàn)方案為：劃分數(shù)據(jù)集；分別構(gòu)建肝臟器官分割網(wǎng)絡和肝臟病變檢測網(wǎng)絡；基于深度卷積生成式對抗網(wǎng)絡，構(gòu)建肝囊腫樣本生成網(wǎng)絡和肝血管瘤樣本生成網(wǎng)絡，分別生成新的肝囊腫和肝血管瘤樣本；構(gòu)建肝臟病變分類網(wǎng)絡；對待檢測的肝臟CT圖像先使用肝臟器官分割網(wǎng)絡進行器官分割，再使用肝臟病變檢測網(wǎng)絡對分割結(jié)果進行病變檢測，最后使用肝臟病變分類網(wǎng)絡對檢測到的病變進行分類。本發(fā)明緩解了不同類別樣本量的不平衡，提高了病變分類性能，可用于對肝臟CT影像中存在的肝癌、肝囊腫、肝血管瘤多種病變的定位和定性。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及一種肝臟病變分類方法，可用于對肝臟CT影像中存在的肝癌、肝囊腫、肝血管瘤等多種病變進行定位和定性。

背景技術(shù)

肝臟作為人體最大的消化腺，起著不可替代的作用。但其疾病種類繁多，如肝癌是常見的惡性腫瘤之一，發(fā)病率逐年升高，早期表現(xiàn)多不明顯，腫瘤較大或病程進展至中晚期時才會出現(xiàn)上腹部不適、疼痛、發(fā)熱、乏力、惡心、食欲不振等癥狀。影像學診斷對肝癌、肝囊腫、肝血管瘤等疾病的診斷及療效評價具有重要意義。在臨床診斷中，醫(yī)生需要憑借經(jīng)驗對病灶定位和診斷，這在一定程度上降低了醫(yī)生的工作效率，因此出現(xiàn)了用于輔助醫(yī)療診斷的人工智能方法。

現(xiàn)有人工智能方法是在對器官病變進行檢測之前，通常需要先進行器官分割。在深度學習技術(shù)蓬勃發(fā)展之前，常用的圖像分割算法主要分為基于像素和基于區(qū)域的方法，例如基于濾波的方法是通過局部特征描述對圖像依次進行去噪和增強，然后再對處理后的結(jié)果結(jié)合其他分割算法進行目標分割。但因為醫(yī)學圖像具有較高的復雜性且缺少簡單的線性特征，傳統(tǒng)的分割算法容易受到容積效應、偽影、各軟組織間灰度差異小等因素的影響。

隨著深度學習的發(fā)展，一些新的圖像分割網(wǎng)絡結(jié)構(gòu)相繼提出，其中UNet網(wǎng)絡被廣泛應用于醫(yī)學圖像分割領(lǐng)域，這是一種端到端的圖像分割網(wǎng)絡，可以在僅使用少量樣本進行訓練的情況下獲得較為準確的分割結(jié)果，網(wǎng)絡結(jié)構(gòu)簡單且有效，一經(jīng)提出便引起了研究熱潮，隨后涌現(xiàn)了一大批基于UNet進行改進的方法。

目前針對病變檢測與分類的研究方法中，以通過人為設計和病變有關(guān)特征的傳統(tǒng)圖像處理方法，以及通過卷積神經(jīng)網(wǎng)絡學習并自動提取特征的深度學習方法這兩種方式居多，但是這些方法大多數(shù)研究方向都集中在如何有效檢測某種具體的病變，不能同時對多種類型的病變進行準確檢測和分類。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種基于樣本生成和遷移學習的肝臟CT多病變分類方法，以同時完成對肝臟器官中存在的肝癌、肝囊腫、肝血管瘤這些常見肝臟疾病病灶的分類，并提升肝臟多種病變的檢測準確率。

為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟包括如下：

(1)從肝臟CT影像中提取得到420張2D肝臟圖像，并隨機選取該圖像的80％作為訓練集，其余的20％為測試集；

(2)構(gòu)建基于全局注意力的肝臟器官分割網(wǎng)絡U：

(2a)在所有2D肝臟CT圖像上標注出肝臟器官的輪廓，存儲成mask圖像；

(2b)在現(xiàn)有的UNet分割網(wǎng)絡中引入全局注意力上采樣GAU模塊；

(2c)將訓練集肝臟CT圖像和mask圖像輸入到引入GAU模塊的分割網(wǎng)絡中進行訓練，利用Adam算法更新網(wǎng)絡中各層的權(quán)重參數(shù)，得到肝臟器官分割網(wǎng)絡U；

(3)構(gòu)建肝臟病變檢測網(wǎng)絡F：

(3a)在所有的肝臟CT圖像中標注出病變類型為肝癌、肝囊腫和肝血管瘤的樣本和它們的位置信息，并將其制成VOC2007格式的數(shù)據(jù)集；

(3b)利用mask圖像從原肝臟CT圖像中提取出僅含有肝臟部分的圖像，并存儲成JPG格式的圖片；