[發明專利]基于深度學習的自動化肝臟分段模型的構建方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202110320816.2
• 申請日: 2021-03-25
• 公開（公告）號: CN113052785A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 李翠萍;王成彥;戴飛;王鶴
• 申請（專利權）人: 上海志御軟件信息有限公司
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T5/40;G06N3/04;G06N3/08
• 代理公司: 上海大視知識產權代理事務所(特殊普通合伙) 31314
• 代理人: 顧小偉

1.一種基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，包括以下步驟：

(1)獲取樣本肝臟三維影像，并獲取所述樣本肝臟三維影像的肝臟分段標簽；

(2)將所述樣本肝臟三維影像和所述肝臟分段標簽作為訓練集，對肝臟分段模型迭代進行深度學習訓練，得到經過訓練的肝臟分段模型，其中所述肝臟分段模型采用的深度學習網絡是基于UNet/VNet和通道注意力機制相結合的分段網絡。

2.如權利要求1所述的基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，在所述步驟(1)中，所述樣本肝臟三維影像是肝臟MRI三維影像、肝臟B超三維影像、肝臟CT三維影像或肝臟MRS三維影像。

3.如權利要求1所述的基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，在所述步驟(1)中，所述的獲取樣本肝臟三維影像的步驟具體包括：

對原始樣本肝臟三維影像進行預處理得到所述樣本肝臟三維影像，所述預處理包括直方圖均衡化、標準化和歸一化處理中的一種或幾種。

4.如權利要求1所述的基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，在所述步驟(2)中，所述UNet是UNet2.5D、UNet2D、UNet3D、UNet++、Res-UNet、Dense U-Net、MultiResUNet、R2U-Net或Attention UNet。

5.如權利要求1所述的基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，在所述步驟(2)中，所述深度學習網絡包括卷積層、池化層、反卷積層、級聯層和批標準化層，所述卷積層通過所述池化層信號連接所述反卷積層，所述級聯層分別信號連接所述卷積層、所述池化層、所述反卷積層和所述批標準化層，所述卷積層提取所述樣本肝臟三維影像的特征圖，所述池化層對所述特征圖進行下采樣操作，所述反卷積層對所述特征圖填補后做卷積操作來擴大所述特征圖的尺寸，所述級聯層將不同層級輸出的所述特征圖進行組合，所述批標準化層對所述特征圖的數值進行標準化。

6.如權利要求1所述的基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，在所述步驟(2)中，所述深度學習訓練包括編碼過程和解碼過程，所述編碼過程和所述解碼過程均采用所述UNet/VNet和所述通道注意力機制，所述解碼過程還采用多層級融合操作和全監督操作中的一種或幾種。

7.如權利要求6所述的基于深度學習的自動化肝臟分段模型的構建方法，其特征在于，在所述步驟(2)中，所述全監督操作采用的損失函數為多分類交叉熵損失函數。

8.一種基于深度學習的自動化肝臟分段模型的構建裝置，其特征在于，包括：

肝臟分段模型訓練模塊，采用基于UNet/VNet和通道注意力機制相結合的分段網絡，用于以樣本肝臟三維影像和所述樣本肝臟三維影像的肝臟分段標簽作為訓練集，對肝臟分段模型迭代進行深度學習訓練，得到經過訓練的肝臟分段模型。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1～權利要求7中任一項所述的基于深度學習的自動化肝臟分段模型的構建方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1～權利要求7中任一項所述的基于深度學習的自動化肝臟分段模型的構建方法。