[發(fā)明專利]一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110954840.1
• 申請(qǐng)日: 2021-08-19
• 公開（公告）號(hào): CN113658142A
• 公開（公告）日: 2021-11-16
• 發(fā)明（設(shè)計(jì)）人: 呂江;白曉寶;朱新成
• 申請(qǐng)（專利權(quán)）人: 江蘇金馬揚(yáng)名信息技術(shù)股份有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06T5/00;G06T7/11
• 代理公司: 北京中政聯(lián)科專利代理事務(wù)所(普通合伙) 11489
• 代理人: 黃娟

1.一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，步驟包括：

S1、采集患者股骨CT圖像，對(duì)股骨CT圖像進(jìn)行預(yù)處理；

S2、構(gòu)建樣本庫(kù)，對(duì)股骨區(qū)域進(jìn)行標(biāo)注，得到訓(xùn)練集和測(cè)試集；

S3、對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)；

S4、構(gòu)建改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)模型；改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)模型包括編碼器、解碼器、空間注意力模塊和空洞卷積模塊；

S5、基于訓(xùn)練集，對(duì)改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

S6、基于測(cè)試集，對(duì)訓(xùn)練完成的改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，輸出分割結(jié)果，并對(duì)模型進(jìn)行評(píng)估，得出模型性能。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S2中對(duì)股骨近端區(qū)域進(jìn)行標(biāo)注，由骨科醫(yī)生協(xié)助指導(dǎo)，對(duì)所有患者的CT圖像的股骨區(qū)域進(jìn)行標(biāo)注，股骨部分標(biāo)注為白色，非股骨部分為黑色，其中80％作為訓(xùn)練集，20％作為測(cè)試集。

3.根據(jù)權(quán)利要求1的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S3中數(shù)據(jù)增強(qiáng)的方法為在線增廣法，在每個(gè)世代訓(xùn)練中，樣本在輸入模型進(jìn)行訓(xùn)練前都會(huì)進(jìn)行旋轉(zhuǎn)、寬度變化、高度變化、錯(cuò)切變換、縮放和水平翻轉(zhuǎn)的操作。

4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S4中編碼器包括五個(gè)層級(jí)；第一層級(jí)包括依次相連的64個(gè)遞歸殘差單元；第二層級(jí)包括依次相連的128個(gè)遞歸殘差單元；第三層級(jí)包括依次相連的256個(gè)遞歸殘差單元；第四層級(jí)包括依次相連的512個(gè)遞歸殘差單元；第五層級(jí)包括依次相連的1024個(gè)遞歸殘差單元。

5.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S4中解碼器包括四個(gè)層級(jí)；第一層級(jí)包括依次相連的64個(gè)遞歸殘差單元；第二層級(jí)包括依次相連的128個(gè)遞歸殘差單元；第三層級(jí)包括依次相連的256個(gè)遞歸殘差單元；第四層級(jí)包括依次相連的512個(gè)遞歸殘差單元；第五層級(jí)包括依次相連的1024個(gè)遞歸殘差單元。

6.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S4中空洞卷積模塊為級(jí)聯(lián)空洞卷積模塊；通過在編碼器和解碼器連接處插入級(jí)聯(lián)空洞卷積模塊以擴(kuò)大卷積核感受野；級(jí)聯(lián)空洞卷積模塊由空洞率分別為2、4、8的空洞卷積層組成，將每層輸出相加作為該模塊的輸出。

7.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S4中空間注意力模塊指對(duì)于該層級(jí)編碼部分對(duì)應(yīng)的下文信息g與同層次解碼部分對(duì)應(yīng)的上文信息x進(jìn)行連接；首先將輸出g和輸出x使用1維卷積進(jìn)行降維，使得g和x大小一致；其次將g和x相加，經(jīng)過ReLU激活函數(shù)和一維卷積將通道數(shù)降至1；然后經(jīng)過Sigmod激活函數(shù)，得到權(quán)重系數(shù)；最后將權(quán)重系數(shù)與x對(duì)應(yīng)向量相乘，得到加權(quán)后的向量

8.根據(jù)權(quán)利要求4或5任一項(xiàng)所述的基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，遞歸殘差單元的結(jié)構(gòu)為兩個(gè)遞歸卷積單元串聯(lián)的輸出加上輸入；單個(gè)遞歸卷積單元層包含3個(gè)遞歸子序列；其中單個(gè)卷積單元包括卷積層、批規(guī)范化層和線性整流層。

9.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S5中訓(xùn)練過程采用Dice Loss作為網(wǎng)絡(luò)的損失函數(shù)，使用Adam優(yōu)化器訓(xùn)練300輪，學(xué)習(xí)率為0.00001，訓(xùn)練批次大小為6；其中Dice Loss函數(shù)為：

其中，X表示預(yù)測(cè)結(jié)果，Y表示真實(shí)結(jié)果，Dice系數(shù)為(2|X∩Y|+1)/(|X|+|Y|+1)，模型預(yù)測(cè)結(jié)果越精確Dice系數(shù)越高，則Loss越低。

10.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)U-Net神經(jīng)網(wǎng)絡(luò)的髖關(guān)節(jié)股骨近端分割方法，其特征在于，S6中模型性能采用精確率Precision、召回率Recall、均衡平均數(shù)F1score以及均交并比mIoU進(jìn)行評(píng)估；其中精確率、召回率、均衡平均數(shù)和交并比計(jì)算公式分別為：

精確率Precision為正確預(yù)測(cè)為正的占全部預(yù)測(cè)為正的比例，召回率Recall為正確預(yù)測(cè)為正的占全部實(shí)際為正的比例，均衡平局?jǐn)?shù)F1score為精確率和召回率的調(diào)和平均數(shù)；TP為真正例，指正類判定為正類；FP為假正例，指負(fù)類判定為正類；FN為真負(fù)例，指正類判定為負(fù)類。