[發(fā)明專利]一種基于局部線性嵌入的插值神經(jīng)網(wǎng)絡的胰腺腫瘤圖像分割處理方法

在審

• 申請?zhí)枺?/td>: 202210036644.0
• 申請日: 2022-01-13
• 公開（公告）號: CN114494289A
• 公開（公告）日: 2022-05-13
• 發(fā)明（設計）人: 楊小宇;陳宇飛;黃麒光;徐紹勛
• 申請（專利權(quán)）人: 同濟大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/70;G06N3/04;G06N3/08
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種基于局部線性嵌入的插值神經(jīng)網(wǎng)絡的胰腺腫瘤分割方法，其特征在于：包括步驟：

步驟1數(shù)據(jù)集準備：

從醫(yī)院中獲取數(shù)據(jù)集，包括3D的MR切片圖像和經(jīng)過標注的腫瘤分割標簽作為數(shù)據(jù)集；

步驟2訓練優(yōu)化：

2.1將步驟1獲取的原始切片圖像和標簽分為兩兩一組，表示為x_i-1和x_i+1，同時輸入到待訓練的片間插值網(wǎng)絡中，簡稱“網(wǎng)絡一”；以原始切片圖像和插值得到的切片圖像的結(jié)構(gòu)相似度損失作為評價指標來，對“網(wǎng)絡一”進行訓練；“網(wǎng)絡一”能得到切片間插值切片，表示為x_i，讓3D的MR切片序列間更加連續(xù)；

2.2接下來合并步驟2.1插值得到的切片x_i和切片x_i-1、x_i+1得到切片序列。將其中的腫瘤標簽切片輸入概率圖生成器中，生成腫瘤標簽的概率圖，用于提供給步驟2.3；

2.3將MR切片序列輸入到待訓練的多尺度級聯(lián)網(wǎng)絡中，簡稱“網(wǎng)絡二”，根據(jù)腫瘤的特征，輸出腫瘤概率圖；將“網(wǎng)絡二”輸出的腫瘤概率圖和步驟2.2提供的腫瘤標簽概率圖的均方誤差作為評價指標，對“網(wǎng)絡二”進行訓練；

步驟3預測病理切片和可視化。

2.如權(quán)利要求1所述的一種基于局部線性嵌入的插值神經(jīng)網(wǎng)絡的胰腺腫瘤分割方法，其特征在于：

所述步驟2.1：

2.1.1“網(wǎng)絡一”由密集連接模塊、子像素卷積模塊、下采樣模塊和局部線性嵌入模塊組成，其中輸入的切片表示為x_i＝{x_i1,x_i2,…,x_id}，輸出的插值切片表示為2.1.2將腫瘤MR圖像和腫瘤標簽的切片按照順序分為三個一組，中間的切片作為標簽，將剩下的兩個切片輸入“網(wǎng)絡一”，經(jīng)過密集連接模塊和子像素卷積模塊后，進行上采樣將結(jié)果繼續(xù)輸入密集連接模塊和子像素卷積模塊；

2.1.3將步驟2.1.2的結(jié)果進行上采樣，結(jié)果輸入密集連接模塊并通過2x2的卷積進行下采樣；

2.1.4將步驟2.1.3的結(jié)果輸入密集連接模塊并通過2x2的卷積進行下采樣，將采樣結(jié)果輸入密集連接模塊，得到輸入切片x_i的每個維度值的K個近鄰點，分別為表示第i個切片的第j個維度值的K個近鄰點；

2.1.5將步驟2.1.4的結(jié)果進行線性組合得到插值切片；

2.1.5.1首先計算局部協(xié)方差矩陣其中表示一個由K個相同的x_ij組成的向量，x_ij表示第i個切片的第j個維度的值，表示步驟1得到的第i個切片的第j個維度的K個近鄰點；

2.1.5.2接下來計算K個近鄰點的權(quán)重其中1_K＝[1,1,…,1]∈R^K，S_ij表示步驟1.2.1得到的協(xié)方差矩陣；

2.1.5.3通過K近鄰點的帶權(quán)線性和計算出插值切片的各個維度值其中表示步驟1.2.2得到的近鄰點的權(quán)重，表示步驟1得到的第i個切片的第j個維度的K個近鄰點；

所述步驟2.1.6將插值得到的切片與標簽切片比較；

2.1.7根據(jù)步驟1.2.5計算得到的損失值，更新網(wǎng)絡參數(shù)，完成訓練。