[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的腹部CT圖像肝腫瘤病變分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110478719.6
• 申請(qǐng)日: 2021-04-30
• 公開（公告）號(hào): CN113205496A
• 公開（公告）日: 2021-08-03
• 發(fā)明（設(shè)計(jì)）人: 黎鴻儒;馬皓鈺;沈哲韜;崔涵旭
• 申請(qǐng)（專利權(quán)）人: 黎鴻儒
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的腹部CT圖像肝腫瘤病變分割方法。包括：一種基于卷積運(yùn)算3*3*3的3D降采樣模塊；一種放大倍數(shù)為2的上采樣模塊；以及基于上述兩種模塊構(gòu)成的特征通道數(shù)分別為16，32，48，64，96的3D?UNet模型；將處理好的數(shù)據(jù)送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練；并在像素級(jí)標(biāo)簽的測試集上驗(yàn)證分割效果。本發(fā)明提出了對(duì)于腹部CT圖像中肝腫瘤病變區(qū)域分割的自動(dòng)化標(biāo)注方法，這將大大減小標(biāo)注數(shù)據(jù)的成本，在一定程度上輔助醫(yī)生醫(yī)生對(duì)肝腫瘤的臨床診斷。

【技術(shù)領(lǐng)域】本發(fā)明涉及一種針對(duì)患者腹部CT中肝部腫瘤病變的基于卷積神經(jīng)網(wǎng)絡(luò)的病變分割方法。

【背景技術(shù)】肝臟是人體新陳代謝，維持生命的重要器官，同時(shí)肝臟也是人體腹部中重量最大的實(shí)質(zhì)性器官。近年來，由于不良飲食習(xí)慣及不規(guī)律作息等因素，越來越多的人患有肝臟疾病。同時(shí)，肝臟是原發(fā)性或繼發(fā)性腫瘤的高風(fēng)險(xiǎn)器官，肝腫瘤惡性度高，死亡率高。WHO的發(fā)布的數(shù)據(jù)顯示，2018年有78萬人死于肝癌，我國部分地區(qū)也屬于世界上肝癌高發(fā)地區(qū)之一；國家癌癥中心發(fā)布的最新全國癌癥報(bào)告顯示，2015年全國肝癌新發(fā)病例約為37萬，發(fā)病率為26.92/十萬，位居2015年惡性腫瘤發(fā)病率第四位，2015年全國肝癌死亡率為23.69/十萬，位居惡性腫瘤死亡第二位。從上述數(shù)據(jù)及統(tǒng)計(jì)可以看出，肝癌正嚴(yán)重威脅人類的生命健康。

深度學(xué)習(xí)算法是指根據(jù)先驗(yàn)知識(shí)從有限的觀測數(shù)據(jù)中學(xué)習(xí)一般性規(guī)律，并將這些規(guī)律應(yīng)用到待觀測的樣本上并給出預(yù)測結(jié)果的算法，其具有強(qiáng)大的數(shù)據(jù)分析及學(xué)習(xí)能力。近年來，隨著算力和數(shù)據(jù)的增長，深度學(xué)習(xí)在過去7年中得到了巨大發(fā)展。同時(shí)，因?yàn)樵擃I(lǐng)域生成海量的數(shù)據(jù)，使得醫(yī)療行業(yè)從深度學(xué)習(xí)中受益良多，其中自然語言處理主要涉及電子健康檔案數(shù)據(jù)，強(qiáng)化學(xué)習(xí)方面主要討論機(jī)器人輔助手術(shù)，通過深度學(xué)習(xí)方法進(jìn)行基因組學(xué)相關(guān)研究，以及計(jì)算機(jī)視覺方面集中關(guān)注了醫(yī)療圖像處理，尤其是在本次新型冠狀病毒疫情當(dāng)中，阿里達(dá)摩研究院將計(jì)算機(jī)視覺技術(shù)應(yīng)用于新冠肺炎CT影像輔助診斷當(dāng)中，在不到20秒的診斷時(shí)間內(nèi)識(shí)別準(zhǔn)確率高達(dá)96％，一定程度上減少了影像科醫(yī)生的工作量，而本項(xiàng)目正是希望將計(jì)算機(jī)視覺領(lǐng)域的研究應(yīng)用到肝腫瘤CT診斷中。

卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面具有顯著效果，因而被廣泛的應(yīng)用于醫(yī)療成像中，Litjens G.等在其調(diào)查的2012-2017年醫(yī)療影像處理相關(guān)領(lǐng)域的文章中，大多數(shù)性能優(yōu)異的網(wǎng)絡(luò)幾乎都采用了卷積神經(jīng)網(wǎng)絡(luò)。在圖像分類問題上，大多人科研人員采用兩種策略，第一，用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行特征提取，第二，在醫(yī)學(xué)數(shù)據(jù)上對(duì)基于自然圖像訓(xùn)練的模型進(jìn)行微調(diào)：Antony等同時(shí)運(yùn)用兩種方法對(duì)膝關(guān)節(jié)炎癥圖像進(jìn)行分類，在前一種方法中取得了57.6％的準(zhǔn)確率，在后一種方法中取得了53.4％的準(zhǔn)確率。Brosch等用DBN和SAE對(duì)阿爾茲海默癥患者的MRI影像進(jìn)行了分類，取得了較好的成果。總而言之，在醫(yī)學(xué)圖像的分類問題中，CNN依然是最被廣泛使用的網(wǎng)絡(luò)，其在某些醫(yī)學(xué)圖像分類問題上堪比“人類專家”。在目標(biāo)及病灶分類問題中，對(duì)興趣目標(biāo)或病灶區(qū)域進(jìn)行檢測是臨床診斷中最重要也是醫(yī)生勞動(dòng)最密集的部分，由于給影像進(jìn)行標(biāo)注的時(shí)間成本過高，Yan Xu等創(chuàng)新性的使用了MIL框架與監(jiān)督/非監(jiān)督特征學(xué)習(xí)方法進(jìn)行訓(xùn)練，以應(yīng)對(duì)標(biāo)注成本過高這一問題，但在目標(biāo)檢測問題中，給數(shù)據(jù)進(jìn)行標(biāo)注的負(fù)擔(dān)同樣是一個(gè)非常需要考慮的問題，Hwang and Kim等采用了弱監(jiān)督訓(xùn)練來檢測胸部X光片中的結(jié)節(jié)和乳腺病變。器官與子結(jié)構(gòu)分割方面，2015年Ronneberger等提出了醫(yī)學(xué)圖像分割問題中最著名的U-net，這一結(jié)構(gòu)在2015年的EMsegmentation challenge中獲得了最優(yōu)表現(xiàn)(warping error＝0.000353)，iek等的工作表明一個(gè)完整的三維分割可以通過從相同的體積中給u-net一些2d注釋切片來實(shí)現(xiàn)，Milletari等提出基于U-net結(jié)構(gòu)的三維卷積網(wǎng)絡(luò)V-net，Drozdzal等研究了在常規(guī)U-net中使用。