[發明專利]基于深度學習的膽結石自動識別及分割系統、計算機設備、存儲介質

在審

• 申請號: 202011302775.6
• 申請日: 2020-11-19
• 公開（公告）號: CN112233777A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 宋弢;孟凡;王珣;謝鵬飛;李穎;龐皓月
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06T7/00;G06T7/11;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的膽結石自動識別與分割系統，其特征在于，包括目標檢測與目標分割模型，所述目標檢測與目標分割模型包括：特征提取網絡，以及兩個分支網絡包括目標檢測網絡和目標分割網絡，首先利用特征提取網絡對輸入的腹部CT圖像進行卷積池化等操作特征提取；將提取的特征圖利用目標檢測網絡進行回歸以及分類，輸出膽結石的位置與概率；同時，圖像分割網絡利用反卷積將卷積和池化的特征圖進行上采樣，將圖像恢復到原圖像大小，并最終得到膽結石的分割后的輪廓，即掩膜，可以清晰地定量分析膽結石的大小及形狀等特征。

2.如權利要求1所述的系統，其特征在于，所述的目標檢測網絡中候選區生成器的對特征提取后的特征圖進行篩選，生成膽結石的候選區域的步驟，其具體包括：將經過特征提提取網絡后的特征圖設定預定個數的候選區域，從而獲取特定個數的候選區域，將這些候選區域送入區域候選網絡進行二值分類(即前景和后景)和限定框回歸(BB回歸)，過濾掉一部分候選區域，對剩下的候選區域進行ROIAlign操作，即把原圖的特征圖與像素對應起來。

3.如權利要求1所述的系統，其特征在于，所述的目標分割網絡即對腹部CT圖像的每個像素點進行分類，確定每個點所屬的類別，目標分割網絡作為一個分支連接到特征提取網絡之后，主要進行反卷積操作，形成一個U形網絡，其具體包括：特征提取網絡后得到的特征圖反卷積進行上采樣，與裁剪之前的低層特征圖，進行融合；然后再次上采樣。重復這個過程，直到獲得輸出與原圖大小相同的特征圖，最后經過歸一化指數函數后獲得最終的輸出特征圖，即每個像素的分類結果。

4.如權利要求3所述的系統，其特征在于，使用視覺注意力機制提升目標分割的能力，模擬醫生檢查CT圖像時的習慣，將注意力主要集中在病灶常發的部位，其核心思想在于在進行上采樣的反卷積時對每個特征通道進行編碼進行重要性學習，通過反向傳播和梯度下降，經過不斷的迭代優化調整通道的權重，對于影響結果越大的特征圖進行加權處理，削弱對結果影響小的特征圖。

5.如權利1所述的系統，其特征在于，對所述的特征提取網絡使用ImageNet的預訓練模型進行初始化，對所述的目標檢測網絡使用ImageNet的預訓練模型進行初始化。

6.一種計算機設備，包括存儲器，顯卡，中央處理器，以及存儲在所述存儲器上的可被所述中央處理器以及顯卡并行處理的可執行程序，器特征在于，所述中央處理器所執行所述程序時實現一下步驟：構建目標檢測與目標分割模型，所述目標檢測與目標分割模型包括：特征提取網絡，以及兩個分支網絡包括目標檢測網絡和目標分割網絡，首先利用特征提取網絡對輸入的腹部CT圖像進行卷積池化等操作特征提取；將提取的特征圖利用目標檢測網絡進行回歸以及分類，輸出膽結石的位置與概率；同時，圖像分割網絡利用反卷積將卷積和池化的特征圖進行上采樣，將圖像恢復到原圖像大小，并最終得到膽結石的分割后的輪廓，即掩膜，可以清晰地定量分析膽結石的大小及形狀等特征。

7.如權利要求7所述的計算機設備，其特征在于，特征提取網絡使用跳躍金字塔模塊對膽結石CT圖像的特征進行多尺度提取，其核心思想在于使用多個不同大小的卷積核對全局特征及精細特征進行提取，多個不同大小的卷積核進行并聯，提取不同尺度特征后將所有特征圖進行連接。

8.如權利要求7所述的計算機設備，其特征在于，目標分割網絡即對腹部CT圖像的每個像素點進行分類，確定每個點所屬的類別，目標分割網絡作為一個分支連接到特征提取網絡之后，主要進行反卷積操作，形成一個U形網絡，其具體包括：特征提取網絡后得到的特征圖反卷積進行上采樣，與裁剪之前的低層特征圖，進行融合；然后再次上采樣。重復這個過程，直到獲得輸出與原圖大小相同的特征圖，最后經過歸一化指數函數后獲得最終的輸出特征圖，即每個像素的分類結果。