[發明專利]一種基于深度學習的膀胱壁自動分割工具和方法

有效

• 申請號: 202310286877.0
• 申請日: 2023-03-23
• 公開（公告）號: CN115994919B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 王明清;楊瑞杰
• 申請（專利權）人: 北京大學第三醫院（北京大學第三臨床醫學院）
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06T7/136;G06N3/045;G06N3/0464;G06N3/096
• 代理公司: 北京中和立達知識產權代理有限公司 11756
• 代理人: 張攀

1.一種基于深度學習的膀胱壁自動分割工具，其特征在于，所述的基于深度學習的膀胱壁自動分割工具包括輸入端、預訓練Resnet50深度神經網絡、輸出端、訓練驗證和測試單元以及整合勾畫單元；所述的輸入端用于輸入三幅一致的核磁共振圖像，作為預訓練Resnet50深度神經網絡的輸入端，所述的輸出端為膀胱壁勾畫圖像，所述的訓練驗證和測試單元采用三個不同的損失函數進行訓練驗證和測試，得到三個不同的神經網絡模型；所述的整合勾畫單元用于基于三個神經網絡模型的置信度分布圖，結合閾值去整合勾畫結果，得出最終膀胱壁的分割圖；

所述的三個不同的損失函數包括交叉熵損失函數、廣義戴斯相似性損失函數和特沃斯基損失函數；

所述的交叉熵損失函數用于計算單標簽和多標簽分類任務的網絡預測和目標值之間的交叉熵損失，交叉熵損失函數的計算公式為：

；

其中?N?是觀測值，K是類數；T_ni指的是真實的分割結果，Y_ni指的是預測的分割結果；

所述的廣義戴斯相似性損失函數的計算公式為：

；

其中K是分類數，M是沿預測分割結果Y_km前兩個維度的元素數，Wk是特定于每個分類的權重因子，控制每個分類對結果貢獻度；T_km是真實分割結果；

所述的廣義戴斯相似性損失基于索倫森-戴斯相似性，用于測量兩個分割圖像之間的重疊；

所述的特沃斯基損失函數的計算公式為：

；

其中，c對應于類，對應于不在c類中；

T_cm指的是真實的分割結果，Y_cm指的是預測的分割結果；

M是沿預測分割結果Y_cm的前兩個維度的元素數目；

α是控制每個類的假正對損失的貢獻的加權因子；

β是控制每個類的假負對損失的貢獻的加權因子；

所述的特沃斯基損失函數基于特沃斯基指數，用于測量兩個分割圖像之間的重疊。

2.根據權利要求1所述的基于深度學習的膀胱壁自動分割工具，其特征在于，所述的Resnet50深度神經網絡采用遷移學習加數據增強的方案，解決深度學習有限訓練數據的問題；所述的Resnet50深度神經網絡采用ImageNet數據集作為訓練集，使用?ResNet50?的深度學習網絡結構，來訓練網絡參數，訓練核磁共振圖像時，并不需要重新訓練網絡結構，而是在已經學習到參數的預訓練模型基礎上再進行訓練。

3.?根據權利要求2所述的基于深度學習的膀胱壁自動分割工具，其特征在于，所述的ImageNet數據集是包含?2?萬個以上圖像類別的圖像數據集。

4.根據權利要求2所述的基于深度學習的膀胱壁自動分割工具，其特征在于，所述的數據增強的方案是指幾何增強方案。

5.根據權利要求1所述的基于深度學習的膀胱壁自動分割工具，其特征在于，所述的整合勾畫單元根據三個神經網絡模型的預測勾畫結果，得到分布圖，然后基于得到的分布圖和模型計算其置信度分布圖，設置閾值對分割可靠的點進行保留，去除不可靠的點，將所述的三個神經網絡模型的分割結果依次計算，進行合并，得到最終分布圖。

6.一種自動分割方法，應用于如權利要求1至5任一項所述的基于深度學習的膀胱壁自動分割工具，其特征在于，包括以下步驟：采用深度學習的方法，輸入端為三通道圖像，包括三個一樣的核磁共振圖所述的三通道圖像作為深度神經網絡的輸入端，輸出端為膀胱壁勾畫圖像，基于Resnet50預訓練模型進行遷移學習，采用三個不同的損失函數，訓練驗證和測試，得到三個不同的神經網絡模型，然后基于三個神經網絡模型的置信度分布圖，結合閾值去整合勾畫結果，得出最終膀胱壁的分割圖。