[發明專利]一種基于深度學習的三維腦積水CT圖像分割方法

在審

• 申請號: 202211215390.5
• 申請日: 2022-09-30
• 公開（公告）號: CN115409857A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 顏成鋼;張帥杰;劉思危;孫垚棋;陳楚翹;王鴻奎;胡冀;高宇涵;朱尊杰;何敏;殷海兵;張繼勇;李宗鵬
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于深度學習的三維腦積水CT圖像分割方法，其特征在于，包括如下步驟：

步驟(1)、獲取數據集；

步驟(2)、數據預處理；

步驟(3)、構建殘差U-net卷積網絡模型；

步驟(4)、通過預處理后的數據對構建的殘差U-net卷積網絡模型進行訓練；

步驟(5)、將測試數據輸入訓練好的殘差U-net卷積網絡模型，對模型進行測試。

2.根據權利要求1所述的一種基于深度學習的三維腦積水CT圖像分割方法，其特征在于，步驟(1)具體方法如下；

采集腦積水患者頭部CT的醫學圖像數據；

查找病例系統，從中找到近些年來進行過腦積水治療的患者的記錄，篩選出總共197名患者的信息，并對有效病例數據進行獲??；每名患者的數據包含手術前后、臨床診斷時使用的醫學圖像數據，確保研究數據的狀況符合實際臨床環境，并基于臨床實際數據開展后續的研究，使得研究成果符合真實用例進而使得流程高效和減免不必要的負擔；通過專業醫生對腦積水患者頭部CT的醫學圖像進行人工分割作為標簽構建數據集。

3.根據權利要求2所述的一種基于深度學習的三維腦積水CT圖像分割方法，其特征在于，步驟(2)具體方法如下；

對數據進行預處理，包括數據重采樣、調整窗寬窗位、去除背景區域和數據標準化；

(1).數據重采樣：

將所有數據的空間分辨率重采樣為整體數據空間分辨率的中值；

(2).調整窗寬窗位：

CT影像通常有數千的灰度級，但并不是所有的灰度級都是有效表達；根據CT影像中內置的灰度級范圍的建議范圍調整窗寬窗位；

(3).去除背景區域：

對調窗后的圖像進行z-sorce標準化后，取大于0值的區域為前景，選取前景區域所在框選區域作為去除背景的數據；

(4).數據標準化：

對去除背景的數據進行z-sorce標準化。

4.根據權利要求3所述的一種基于深度學習的三維腦積水CT圖像分割方法，其特征在于，步驟(3)具體方法如下；

采用基于U-Net結構的深度學習模型，包含殘差卷積單元，下采樣編碼器，上采樣解碼器和長跳躍鏈接；為了有效的提高模型的魯棒性，將殘差卷積作為基本卷積單元，并使用Instance Normalization來控制特征圖的數值分布以使得模型進行有效的學習；

下采樣編碼器包含重復的卷積層和池化層，模型的深度是影響模型準確的因素之一，下采樣編碼器的卷積層采用了殘差卷積的方式，能更好的適應模型；

上采樣解碼器通過重復的反卷積層和池化層恢復圖像的尺寸；

每一層之間通過長跳躍鏈接進行特征圖的拼接，減少特征的丟失。

5.根據權利要求4所述的一種基于深度學習的三維腦積水CT圖像分割方法，其特征在于，步驟(4)具體方法如下；

將預處理后的數據分為訓練集和測試集，其比例為8:2；通過訓練集對構建好的殘差U-net卷積網絡模型進行訓練；

模型的訓練采取了patch的裁剪和數據增強方法；通過對數據腦室區域大小的統計，最終選取像素大小為16×256×256的patch作為模型輸入；對輸入的訓練數據依次使用鏡像、亮度變化、高斯噪聲的數據增強方法進行數據增強；

采用Adam的梯度下降方法對模型進行訓練；使用Instance Normalization來控制特征圖的數值分布以使得模型進行有效的學習；采用縱向深監督來增強U-Net模型中不同級層的特征表達；

在進行模型訓練過程中，需要計算整個模型的最小損失函數，使得模型趨于收斂；采用Dice損失函數計算模型的損失，通過Dice系數衡量兩個樣本之間的重疊程度。