[發明專利]一種CT圖像下肝臟腫瘤的分割方法與裝置

在審

• 申請號: 202110182901.7
• 申請日: 2021-02-10
• 公開（公告）號: CN112802025A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 尤新革;彭勤牧;黃子軒;朱文強
• 申請（專利權）人: 深圳華中科技大學研究院
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/08;G06N3/04
• 代理公司: 深圳市六加知識產權代理有限公司 44372
• 代理人: 崔肖肖;向彬

1.一種CT圖像下肝臟腫瘤的分割方法，其特征在于，包括：

將訓練集中每個第一預設尺寸的原始CT圖像裁剪為三張相鄰的第二預設尺寸的切片，并以中間切片的分割結果作為標簽，將對應的三張相鄰切片構成一個訓練樣本；

將一個或多個訓練樣本輸入預設網絡中進行訓練，得到訓練好的分割模型；其中，所述預設網絡包括預處理模塊和全卷積分割網絡；

對于任一待測CT圖像，每次以三張相鄰的第一預設尺寸的切片輸入至訓練好的所述分割模型中，基于聯合損失函數得到中間切片的分割結果。

2.如權利要求1所述的CT圖像下肝臟腫瘤的分割方法，其特征在于，所述預處理模塊用于對輸入的訓練樣本進行CT圖像預處理，具體包括一個卷積層和一個激活層；

其中，所述卷積層的卷積核大小為1×1，用于對輸入的訓練樣本進行卷積處理；所述激活層用于對輸入的訓練樣本進行激活處理。

3.如權利要求2所述的CT圖像下肝臟腫瘤的分割方法，其特征在于，所述預處理模塊對訓練樣本的預處理公式具體為：

其中，常數U為窗口函數的上界，W和b均為卷積層的參數，x為原始CT圖像的CT值。

4.如權利要求1所述的CT圖像下肝臟腫瘤的分割方法，其特征在于，所述全卷積分割網絡包括編碼器和解碼器；

所述編碼器用于對預處理后的輸入圖像進行編碼，進而產生低分辨率的特征表示；所述解碼器用于根據低分辨率的特征表示對輸入圖像產生像素級別的分割預測。

5.如權利要求4所述的CT圖像下肝臟腫瘤的分割方法，其特征在于，所述編碼器采用DenseNet結構，包括至少兩個Dense模塊；

其中，所述Dense模塊的生長率為48±2，每兩個相鄰Dense模塊之間的過渡層的壓縮率為0.5±0.02。

6.如權利要求5所述的CT圖像下肝臟腫瘤的分割方法，其特征在于，所述解碼器包括至少兩個不同尺度的上采樣模塊；其中，每個上采樣模塊通過所述編碼器的Dense模塊引入Dense連接。

7.如權利要求1所述的CT圖像下肝臟腫瘤的分割方法，其特征在于，所述聯合損失函數是指將基于交叉熵的損失函數與基于直接優化分割評價指標的損失函數聯合起來，所述聯合損失函數的權重表達式具體為：

其中，L_ce表示基于交叉熵的損失，L_seg表示基于直接優化分割評價指標的損失，n表示訓練過程中當前的迭代次數，N表示總的迭代次數，α表示均衡因子，用于保證基于交叉熵的損失和基于直接優化分割評價指標的損失大小在相當的數量級。

8.一種CT圖像下肝臟腫瘤的分割裝置，其特征在于，包括樣本生成模塊、模型訓練模塊和圖像分割模塊；

所述樣本生成模塊用于將訓練集中每個第一預設尺寸的原始CT圖像裁剪為三張相鄰的第二預設尺寸的切片，并以中間切片的分割結果作為標簽，將對應的三張相鄰切片構成一個訓練樣本；

所述模型訓練模塊用于將一個或多個訓練樣本輸入預設網絡中進行訓練，得到訓練好的分割模型；其中，所述預設網絡包括預處理模塊和全卷積分割網絡；

所述圖像分割模塊用于對于任一待測CT圖像，每次以三張相鄰的第一預設尺寸的切片輸入至訓練好的所述分割模型中，基于聯合損失函數得到中間切片的分割結果。

9.如權利要求8所述的CT圖像下肝臟腫瘤的分割裝置，其特征在于，所述預處理模塊用于對輸入的訓練樣本進行CT圖像預處理，具體包括一個卷積層和一個激活層；

其中，所述卷積層的卷積核大小為1×1，用于對輸入的訓練樣本進行卷積處理；所述激活層用于對輸入的訓練樣本進行激活處理。

10.如權利要求8所述的CT圖像下肝臟腫瘤的分割裝置，其特征在于，所述全卷積分割網絡包括編碼器和解碼器；

所述編碼器用于對預處理后的輸入圖像進行編碼，進而產生低分辨率的特征表示；所述解碼器用于根據低分辨率的特征表示對輸入圖像產生像素級別的分割預測。