[發明專利]一種基于混合監督學習的肝臟CT圖像分割系統和算法

在審

• 申請號: 202111180680.6
• 申請日: 2021-10-11
• 公開（公告）號: CN113870238A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 王越;聶秀萍;熊蓉;其他發明人請求不公開姓名
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06T7/194;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州中成專利事務所有限公司 33212
• 代理人: 李亦慈;唐銀益

1.一種基于混合監督學習的肝臟CT圖像分割系統，其特征在于，所述的圖像分割系統包括圖像預處理單元，特征提取單元，詞向量分割單元以及單層卷積分類單元，所述的圖像預處理單元與特征提取單元進行數據連接，所述的特征提取單元分別與詞向量分割單元和單層卷積分類單元進行數據連接。

2.根據權利要求1所述的基于混合監督學習的肝臟CT圖像分割系統，其特征在于，所述圖像預處理單元的構建過程為：

截斷CT切片圖像中的HU值范圍為[H₁,H₂],其中H₁和H₂表示能夠將肝臟組織完整保留并且將骨性結構剔除的粗糙HU值下界和上界，然后將切片圖像的尺寸縮放為(H₀，W₀)，其中(H₀，W₀)表示特征提取單元的輸入圖像尺寸。

3.根據權利要求1所述的基于混合監督學習的肝臟CT圖像分割算法，其特征在于，所述特征提取單元的構建過程為：

以U-Net為基本骨架，對于U-Net倒數第二層卷積層的輸出特征圖，其尺寸滿足(B,C₀,H,W),其中B表示每批圖像個數，C表示通道數，(H，W)表示特征圖的分辨率，將這個特征圖通過一個輸入通道為C₀，輸出通道為C，卷積核尺寸為(K₀,K₀)的卷積層，然后對輸出結果執行批歸一化，最后經過一個Tanh激活函數，得到尺寸為(B,C,H,W)目標特征圖。

4.根據權利要求1或2或3所述的基于混合監督學習的肝臟CT圖像分割算法，其特征在于，所述詞向量分割單元的構建過程為：

引入一個可學習的詞向量v，維度為C，詞向量v與上述目標特征圖進行卷積，得到一個尺寸為(B，1，H，W)的熱度圖，使用sigmoid激活函數對熱度圖每個像素的置信度進行計算，得到每個像素的分割置信度，并且以τ_s為閾值對前景背景進行劃分，小于閾值的像素認為是背景區域，大于或等于閾值的認為是前景區域，即肝臟區域。

5.根據權利要求4所述的基于混合監督學習的肝臟CT圖像分割算法，其特征在于，所述單層卷積分類單元的構建過程為：

對于上述特征提取單元生成的目標特征圖，使用一個可學習的K₁×K₁卷積核進行卷積，滿足K₁H且K₁W，得到一個尺度為(B，1，H，W)的熱度圖，使用maxpooling函數對該熱度圖進行計算，得到這一批次中每個圖像中最大的特征響應值，然后將其輸入sigmoid函數計算每幅圖像的置信度，并且以τ_c為閾值對置信度進行劃分，小于閾值的認為圖像中不存在肝臟區域，大于或等于閾值的認為圖像中存在肝臟區域。

6.一種如權利要求1或2或3或5所述的基于混合監督學習的肝臟CT圖像分割系統的分割算法，其特征在于，所述的算法分割包括測試階段和訓練階段，所述的測試階段的步驟如下：

使用CT掃描獲取待分割的腹部CT圖像，將CT圖像沿人體軸向拆分為單幀二維CT切片，依次輸入圖像預處理單元，經過預處理的圖像輸入特征提取單元，輸出的深層次圖像特征被輸入到詞向量分割單元完成肝臟像素級分割任務。

7.根據權利要求6所述的基于混合監督學習的肝臟CT圖像分割系統的分割算法，其特征在于，所述的訓練階段中，構建CT掃描數據集，所述數據集構建過程為：采集腹部CT掃描數據，將CT沿人體軸位拆分為一系列二維切片圖像，以是否含有肝臟對所有切片圖像進行人工分類，作為弱標簽，含有肝臟為前景，不含肝臟為背景，在所有分為前景的圖像中，隨機選取遠小于前景總量的一部分圖像進行像素級標注，作為強標簽，強標簽與前景弱標簽的數量分別表示為s和w。