[發明專利]基于語義遷移的多時相CT圖像肝腫瘤分割方法

有效

• 申請號: 202110102974.0
• 申請日: 2021-01-26
• 公開（公告）號: CN112785605B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 李陽陽;徐珊珊;緱水平;童諾;劉豪鋒;劉波
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06N3/0464;G06N3/048;G06N3/08;G06N3/0455
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于語義遷移的多時相CT圖像肝腫瘤分割方法，其特征在于，包括如下：

1)從收集到的所有病例中隨機取80％病例的增強CT圖像數據及其對應的肝腫瘤標簽作為訓練集，剩下的20％的病例數據作為測試集；

2)構建多時相肝腫瘤語義分割網絡M：

設計由6個編碼塊和為5個池化層交錯組成編碼器；

設計由5個解碼塊和5個上采樣層交錯組成解碼器；

將編碼器、解碼器與一個卷積層和一個激勵層依次級聯，得到多時相肝腫瘤語義分割網絡M；

3)用訓練集中含有肝腫瘤的門靜脈期圖像及其對應的肝腫瘤標簽對構建的分割網絡進行訓練，得到訓練好的門靜脈期肝腫瘤分割網絡V；

4)對訓練好的門靜脈期肝腫瘤分割網絡進行語義遷移，即將訓練好的門靜脈期肝腫瘤分割網絡中的編碼器參數凍結，得到語義遷移網絡T；

5)利用訓練集對語義遷移網絡T進行微調，得到訓練好的動脈期肝腫瘤分割網絡A的參數和延遲期肝腫瘤分割網絡D的參數：

5a)從訓練集中取病例的動脈期圖像及對應的肝腫瘤標簽輸入到語義遷移網絡T，對該網絡中的解碼器、卷積層和激勵層進行訓練，得到訓練好的動脈期肝腫瘤分割網絡A的參數；

5b)從訓練集中取病例的延遲期圖像及對應的肝腫瘤標簽輸入到語義遷移網絡T，對該網絡中的解碼器、卷積層和激勵層進行訓練，得到訓練好的延遲期肝腫瘤分割網絡D的參數；

6)對測試集中增強CT各期圖像的肝腫瘤進行分割：

6a)將3)得到的網絡V的參數先賦值給2)構建的多時相肝腫瘤語義分割網絡M，再將測試集中門靜脈期圖像輸入到該網絡，完成門靜脈期圖像肝腫瘤的分割；

6b)將5)得到的網絡A的參數先賦值給2)構建的多時相肝腫瘤語義分割網絡M，再將測試集中動脈期圖像輸入到該網絡，完成動脈期圖像肝腫瘤的分割；

6c)將5)得到的網絡D的參數先賦值給2)構建的多時相肝腫瘤語義分割網絡M，再將測試集中延遲期圖像輸入到該網絡，完成延遲期圖像肝腫瘤的分割。

2.根據權利要求1所述的方法，其特征在于：

所述6個編碼塊中的每個編碼塊依次包括如下5層結構：

第一層為卷積層，卷積核大小為3×3，滑動步長為1；

第二層為激勵層，激勵函數為修正線性單元函數，用于對第1層的輸出特征圖進行激勵；

第三層為卷積層，卷積核大小為3×3，滑動步長為1，卷積核個數與第一層的相同；

第四層為激勵層，激勵函數為修正線性單元函數，用于對第3層的輸出特征圖進行激勵；

第五層為丟棄層，丟棄率為0.5，該層由網絡深度決定是否使用；

所述6個編碼塊中每個編碼塊第一層卷積層的卷積核個數不同，即分別為32、64、128、256、512、1024，這6個編碼塊中第四個、第五個和第六個編碼塊使用丟棄層。

3.根據權利要求1所述的方法，其特征在于：

所述5個解碼塊中的每個解碼塊依次包括如下5層結構：

第一層為特征融合層，用于將上層的輸出特征圖和分辨率相同的編碼塊輸出特征圖進行通道方向上的融合操作；

第二層為卷積層，卷積核大小為3×3，滑動步長為1；

第三層為激勵層，激勵函數為修正線性單元函數，用于對第二層的輸出特征圖進行激勵；

第四層為卷積層，卷積核大小為3×3，滑動步長為1，卷積核個數與第二層的相同；

第五層為激勵層，激勵函數為修正線性單元函數，用于對第四層的輸出特征圖進行激勵；

所述5個解碼塊中每個解碼塊的第二層卷積層的卷積核個數不同，即分別為512、256、128、64、32。

4.根據權利要求1所述的方法，其中2)中的上采樣層，包括如下3個階段：

第1階段，用于對上層的輸出進行雙線性插值方式的上采樣；

第2階段，用于對第1階段的上采樣結果進行卷積運算，卷積核大小為2×2，滑動步長為1，卷積核個數是上采樣層的輸入特征圖通道數的1/2；

第3階段，用于對第2階段的卷積結果進行激勵，激勵函數為修正線性單元函數。