[發(fā)明專利]基于深度學習的自動化肝臟分段模型的構(gòu)建方法、裝置、計算機設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110320816.2
• 申請日: 2021-03-25
• 公開（公告）號: CN113052785A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計）人: 李翠萍;王成彥;戴飛;王鶴
• 申請（專利權(quán)）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(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 31314
• 代理人: 顧小偉

本發(fā)明提供一種基于深度學習的自動化肝臟分段模型的構(gòu)建方法，包括：獲取樣本肝臟三維影像，并獲取樣本肝臟三維影像的肝臟分段標簽；將樣本肝臟三維影像和肝臟分段標簽作為訓(xùn)練集，對肝臟分段模型迭代進行深度學習訓(xùn)練，得到經(jīng)過訓(xùn)練的肝臟分段模型，其中肝臟分段模型采用的深度學習網(wǎng)絡(luò)是基于UNet/VNet和通道注意力機制相結(jié)合的分段網(wǎng)絡(luò)。還提供了相關(guān)的裝置、計算機設(shè)備和可讀存儲介質(zhì)。由于采用UNet/VNet和通道注意力機制相結(jié)合，通過UNet/VNet更多挖掘樣本肝臟三維影像的影像信息，通過通道注意力機制對重要通道信息賦予更高的權(quán)重，得到更準確的預(yù)測結(jié)果，可以為醫(yī)生提供準確且高效的肝臟分段結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學影像處理技術(shù)領(lǐng)域，特別涉及肝臟分段技術(shù)領(lǐng)域，具體是指一種基于深度學習的自動化肝臟分段模型的構(gòu)建方法、裝置、計算機設(shè)備和存儲介質(zhì)。

背景技術(shù)

肝癌是世界上最常見的癌癥疾病之一，目前肝癌超越胃癌擠進了癌癥死亡的前三。肝臟是原發(fā)或繼發(fā)腫瘤生長的常見部位，它們的異質(zhì)和擴散形狀使其很難進行分段解剖。因此，對肝臟中的每個分段能夠?qū)崿F(xiàn)精確推斷和測量是現(xiàn)代肝臟手術(shù)的先決條件。

在臨床診斷中，沿著Z軸遠距離探索空間信息來進行肝臟分段是十分耗時的，因而需要自動化方法來高效解決。近來，深度學習在計算機視覺領(lǐng)域表現(xiàn)優(yōu)異，已應(yīng)用在CT的肝臟和腫瘤的自動化分割(Sun,C.,et al.:Automatic segmentation of liver tumorsfrom multiphase contrast enhanced ct images based on FCNs[J].AI Med.2017,83:58–66)和自動化分段(Tian J,Liu L,Shi Z,et al.Automatic Couinaud Segmentationfrom CT Volumes on Liver Using GLC-UNet[M].Machine Learning in MedicalImaging,10th International Workshop,MLMI 2019,Held in Conjunction with MICCAI2019,Shenzhen,China,October 13,2019,Proceedings.2019)中。

上述的現(xiàn)有的基于CT的自動化肝臟分段方法基于深度學習Unet 2D網(wǎng)絡(luò)(Ronneberger,O.,Fischer,P.,Brox,T.:U-Net:convolutional networks forbiomedical image segmentation.In:Navab,N.,Hornegger,J.,Wells,W.M.,Frangi,A.F.(eds.)MICCAI 2015.LNCS,vol.9351,pp.234–241.Springer,Cham(2015))通過全局和局部信息對CT數(shù)據(jù)進行肝臟分段，整個網(wǎng)絡(luò)基于2D切片實現(xiàn)肝臟分割和肝臟分段兩個任務(wù)。該網(wǎng)絡(luò)采用的注意力機制是多層感知機，主要針對多層級的全局和局部信息的由粗到細進行特征提取。該網(wǎng)絡(luò)的解碼過程最終通過多層級融合實現(xiàn)對肝臟分段的結(jié)果預(yù)測。

但目前基于MRI的自動化肝臟分段研究較少，仍采用傳統(tǒng)的算法分步驟實現(xiàn)(Lebre M A,Vacavant A,Grand-Brochier M,et al.Automatic segmentation methodsfor liver and hepatic vessels from CT and MRI volumes,applied to the Couinaudscheme[J].Computers in Biology and Medicine,2019,110(7):42-51)，即肝臟分割、血管中心線提取和重建肝臟分段。

由于現(xiàn)有的肝臟分段技術(shù)集中在兩個方面：基于深度學習的CT肝臟分段和基于傳統(tǒng)算法的MRI肝臟分段。然而，相對于CT，MRI能夠提供多序列成像、多種圖像模態(tài)等影像信息，它對疾病的診斷具有很大的潛在優(yōu)越性，而深度學習相對傳統(tǒng)算法能夠自動化挖掘更潛在的影像信息。