[發明專利]基于深度學習網絡的縱隔淋巴引流區的自動勾畫方法

有效

• 申請號: 202110143272.7
• 申請日: 2021-02-02
• 公開（公告）號: CN112950651B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 劉守亮;魏軍;沈爍
• 申請（專利權）人: 廣州柏視醫療科技有限公司;廣州柏視數據科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京興智翔達知識產權代理有限公司 11768
• 代理人: 張玉梅

1.一種基于深度學習網絡的縱隔淋巴引流區的自動勾畫方法，其適用于CT影像，其特征在于，所述自動勾畫方法包括以下步驟：

步驟S1：采集CT圖像數據和醫生手工標注的縱隔淋巴引流區圖像，并預處理所述CT圖像數據和醫生手工標注的所述縱隔淋巴引流區圖像；

步驟S2：對預處理后的所述CT圖像數據進行分組，得到訓練集、驗證集和測試集；

步驟S3：對所述訓練集、所述驗證集及所述測試集進行數據增強；

步驟S4：構建深度學習分割模型；所述步驟S4包括以下步驟：

步驟S41：構建分割模型的網絡結構子模塊，包括：第一，卷積操作2次和下采樣1次，用來提取該模塊的特征圖，第二，構建上采樣1次和卷積操作2次，用來恢復其原來的分辨率，并使用跳躍結構來融合不同尺度的特征圖；其中本網絡down模塊使用三線性插值方法下采樣，up模塊使用的帶空洞的反卷積模塊上采樣；

步驟S42：構建分割模型的網絡結構注意力模塊，包括：分別對所述注意力模塊中的鍵值、特征值進行金字塔下采樣，以減少大量計算，得到多尺度鍵值、特征值，再構建卷積操作，用來模擬鍵值和查詢值之間的注意力關系，最后在所述注意力關系下查詢被關注的特征圖，所述注意力模塊能夠捕捉遠距離像素依賴關系和提取多尺度金字塔的特征；參與計算的矩陣分別Q(Query)、K(Key)、V(Value)，為了加速圖像注意力機制，Q值和V值經過了多尺度下采樣操作；為了加速收斂，Q值和K值在計算相似之前經過了卷積操作；相似度計算函數不一樣，我們相似度計算函數如下，以及

步驟S43：構建網絡分割模型網絡結構，重復利用提取所述步驟S41所述的網絡結構子模塊4次，以便能有較大感受野和充足的網絡容量；在每次提取的所述網絡結構子模塊中插入所述步驟S42的所述注意力模塊，以便網絡提取遠距離依賴關系，擴大網絡感受野，同時所述注意力模塊捕捉的多尺度信息能在每層都被有效提取特征；然后再重復利用恢復空間分辨率子模型4次；在每個模塊之間使用短連接，以便網絡可以更好的反向傳播和特征融合；以及

步驟S5：將訓練集中的所述CT圖像數據和醫生手工標注的所述縱隔淋巴引流區圖像輸入已經構建完的所述深度學習分割模型，訓練迭代收斂后，保存縱隔淋巴引流區的分割模型，再進行所述縱隔淋巴引流區識別和預測，得到所述縱隔淋巴引流區的每個分區的概率圖，所述步驟S5包括以下步驟：

步驟S51：大量病人經過所述步驟處理后，得到的數據增強圖像輸入到深度學習網絡，在輸入過程中，通過所述步驟S1至S3處理得到的肺部區域控制輸入患者CT層數，減少輸入非肺部區域，所述訓練集的訓練誤差計算方法為：

L_loss＝L_IOU+a*L_AC，其中a是平衡因子；

其中N是指數據總量，p_i表示的是預測結果圖像中第i個像素點，q_i表示的是金標圖像中第i個像素點；

其中N是指數據總量，p_ij表示的是預測結果圖像中第i行第j列像素點，n是像素總個數；

步驟S52：把所述數據增強圖像隨機按組隨機輸入網絡，直到驗證集上評價標準不再有大的波動，保存在驗證集上表現好的模型，所述驗證集的評價標準計算方法為：

其中N是指數據總量，p_i表示的是預測結果圖像中第i個像素點，q_i表示的是金標圖像中第i個像素點；

步驟S53：把所述測試集內病例按照所述步驟S1至S3處理后輸入至已經訓練完成的深度學習分割網絡以獲得N個分區，使用softmax函數將得到的所述N個分區的特征圖轉化成分割語義概率圖，再使用固定閾值使所述概率圖生成二值圖像；以及

步驟S54：對所述N個分區進行相互關系評價，得到互相關系表，對每個分區進行矯正，如果某個分區不符合醫生定義的勾畫標準，則通過矯正程序處理該分區；如果某個分區和其他分區沒有所述互相關系表中的關系，則也通過矯正程序處理該分區；直到所述N個分區都滿足臨床醫生勾畫標準，即得到最終的縱隔淋巴引流區分割結果。