[發(fā)明專利]一種基于深度學習的大腸空腔區(qū)及腸內(nèi)容物標注方法

有效

• 申請?zhí)枺?/td>: 202110259525.7
• 申請日: 2021-03-10
• 公開（公告）號: CN112950599B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設計）人: 王國利;吳迪邦;郭雪梅
• 申請（專利權(quán)）人: 中山大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187;G06T3/40;G06N3/0464;G06N3/08
• 代理公司: 深圳市創(chuàng)富知識產(chǎn)權(quán)代理有限公司 44367
• 代理人: 高冰

1.一種基于深度學習的大腸空腔區(qū)及腸內(nèi)容物標注方法，其特征在于，包括以下步驟：

獲取CT腹腔圖像并對圖像中的相關區(qū)域進行區(qū)域合并，得到區(qū)域合并后圖像；

將區(qū)域合并后圖像進行圖像拆分，得到拆分后圖像；

基于預訓練的分割網(wǎng)絡對拆分后圖像進行分割，得到大腸區(qū)域圖；

根據(jù)大腸區(qū)域圖和輸入的CT腹腔圖，分別對大腸空腔區(qū)及腸內(nèi)容物進行標注，得到標注圖；

將標注圖與輸入的CT腹腔圖像進行圖像拼接，得到帶標注的CT腹腔圖像；

所述獲取CT腹腔圖像并對圖像中的相關區(qū)域進行區(qū)域合并，得到區(qū)域合并后圖像這一步驟，其具體包括；

獲取CT腹腔圖像；

將CT腹腔圖像內(nèi)與腸內(nèi)容物顏色接近的像素點進行去除；

將去除部分像素點后的CT腹腔圖像中的腸內(nèi)容物區(qū)域和大腸空腔區(qū)域進行合并，得到區(qū)域合并后圖像；

所述基于預訓練的分割網(wǎng)絡對拆分后圖像進行分割，得到大腸區(qū)域圖這一步驟，其具體包括；

基于編碼器對輸入的拆分后圖像進行特征提取，得到特征信息；

基于ConvLSTM模塊連接各層編碼器的特征信息并進行特征拼接，得到拼接后的特征信息；

基于帶注意力機制的解碼器將拼接后的特征信息還原；

基于分類模塊輸出屬于大腸區(qū)域的像素點的概率值并將像素點整合，得到大腸區(qū)域圖；

所述將區(qū)域合并后圖像進行圖像拆分，得到拆分后圖像這一步驟，其具體包括；

將區(qū)域合并后圖像等比率分割成3*3的圖像塊，并將相鄰圖層的同一對應位置的圖像塊組成一個五張圖片形成的圖像組，得到拆分后圖像；

所述預訓練的分割網(wǎng)絡的訓練步驟包括；

獲取訓練用CT腹腔圖像并對訓練用CT腹腔圖像進行數(shù)據(jù)增強，得到增強訓練圖像；

將增強訓練圖像結(jié)合圖像對應的真實標簽，構(gòu)建訓練集；

基于訓練集中的CT腹腔圖像對預構(gòu)建的分割網(wǎng)絡進行訓練，得到預測標簽；

基于預測標簽與對應的真實標簽計算誤差損失；

根據(jù)誤差損失對預構(gòu)建的分割網(wǎng)絡進行參數(shù)更新，得到訓練完成的分割網(wǎng)絡。

2.根據(jù)權(quán)利要求1所述一種基于深度學習的大腸空腔區(qū)及腸內(nèi)容物標注方法，其特征在于，所述預構(gòu)建的分割網(wǎng)絡包括編碼器、帶注意力機制的解碼器、ConvLSTM模塊、和分類模塊。

3.根據(jù)權(quán)利要求2所述一種基于深度學習的大腸空腔區(qū)及腸內(nèi)容物標注方法，其特征在于，所述數(shù)據(jù)增強包括對圖像平移、圖像旋轉(zhuǎn)和對圖像進行gamma變換。

4.根據(jù)權(quán)利要求3所述一種基于深度學習的大腸空腔區(qū)及腸內(nèi)容物標注方法，其特征在于，所述根據(jù)大腸區(qū)域圖和輸入的CT腹腔圖，分別對大腸空腔區(qū)及腸內(nèi)容物進行標注，得到標注圖這一步驟，其具體包括：

根據(jù)大腸區(qū)域圖在輸入的CT腹腔圖上確定大腸區(qū)域，并根據(jù)輸入的CT腹腔圖上大腸區(qū)域中的顏色差異分別對大腸空腔區(qū)和腸內(nèi)容物進行標注，得到標注圖。