[發(fā)明專利]一種基于特征空間不變的圖像語義分割模型構(gòu)建方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310623026.0
• 申請日: 2023-05-30
• 公開（公告）號: CN116645511A
• 公開（公告）日: 2023-08-25
• 發(fā)明（設(shè)計）人: 王鵬;董宏麗;路敬祎;路陽;胡仲瑞;王愷嬌;劉俏
• 申請（專利權(quán)）人: 東北石油大學(xué);東北石油大學(xué)三亞海洋油氣研究院
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V10/774;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 黑龍江立超同創(chuàng)知識產(chǎn)權(quán)代理有限責(zé)任公司 23217
• 代理人: 楊立超;張妍飛

本發(fā)明公開了一種基于特征空間不變的圖像語義分割模型構(gòu)建方法及系統(tǒng)，涉及深度學(xué)習(xí)醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，以解決現(xiàn)有技術(shù)中人工勾畫直腸癌淋巴結(jié)轉(zhuǎn)移MRI結(jié)果存在主觀性強和效率差等問題。本發(fā)明的技術(shù)要點包括：將收集到的MRI數(shù)據(jù)進行預(yù)處理，即先對數(shù)據(jù)集進行圖像增廣，然后使用標(biāo)注工具LabelMe對數(shù)據(jù)集進行標(biāo)注，將標(biāo)注好的數(shù)據(jù)集進行劃分，得到訓(xùn)練集、驗證集和測試集，構(gòu)建分割模型并對其進行訓(xùn)練與調(diào)整，得到訓(xùn)練合格的分割模型，最后將待分割的直腸癌淋巴結(jié)轉(zhuǎn)移MRI影像輸入到最佳模型中進行缺陷檢測，得到檢測結(jié)果。本發(fā)明有效提高了直腸癌淋巴結(jié)轉(zhuǎn)移勾畫效率和精度，進而可以輔助醫(yī)生提高診斷準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，具體涉及一種基于特征空間不變的圖像語義分割模型構(gòu)建方法及系統(tǒng)。

背景技術(shù)

直腸癌淋巴結(jié)轉(zhuǎn)移是導(dǎo)致直腸癌患者術(shù)后復(fù)發(fā)和死亡的主要因素，因此術(shù)前需要準(zhǔn)確勾畫淋巴結(jié)，為醫(yī)生提供更加精確和詳細的參考內(nèi)容，加深對疾病圖像理解與分析。目前，在臨床中對直腸癌淋巴結(jié)勾畫方法采用人工勾畫。但這種方法耗費大量時間和精力，且結(jié)果存在主觀性。此外，由于直腸癌淋巴結(jié)轉(zhuǎn)移在核磁共振成像(Magenticresonanceimaging,MRI)中，呈小目標(biāo)(毫米級別)顯示，并且盆腔中背景復(fù)雜，以人工的方式勾畫也存在一定的困難。如果采用基于人工智能技術(shù)的自動勾畫方法在術(shù)前完成病灶勾畫，不僅節(jié)約時間和人力，同時還能夠得到更加客觀準(zhǔn)確的結(jié)果。

由于深度學(xué)習(xí)在特征提取的過程中能夠逐層自動提取數(shù)據(jù)特征，具有更強客觀性和更高表達能力，因此在醫(yī)學(xué)圖像勾畫領(lǐng)域得到快速發(fā)展，并已經(jīng)成為一個研究熱點。空間變換網(wǎng)絡(luò)能夠保持特征在逐層傳遞過程中的特征空間不變性，減少對先驗知識變換規(guī)則的依賴，增加其對特征保持空間不變能力。利用特征空間不變性改善人工勾畫MRI的不足，提高直腸癌淋巴結(jié)勾畫準(zhǔn)確率，降低術(shù)后復(fù)發(fā)和死亡概率。

發(fā)明內(nèi)容

為此，本發(fā)明提出一種基于特征空間不變的圖像語義分割模型構(gòu)建方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中人工勾畫直腸癌淋巴結(jié)轉(zhuǎn)移MRI結(jié)果存在主觀性強和效率差等問題。

根據(jù)本發(fā)明的一方面，提供一種基于特征空間不變的圖像語義分割模型構(gòu)建方法，所述方法應(yīng)用于醫(yī)學(xué)圖像的處理，該方法包括以下步驟：

步驟一、獲取直腸部分的核磁共振成像數(shù)據(jù)，并建立訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

步驟二、采用數(shù)據(jù)增強的方法對所述核磁共振成像數(shù)據(jù)進行擴充；

步驟三、對擴充后的核磁共振成像數(shù)據(jù)進行標(biāo)注，標(biāo)注類型包括直腸癌淋巴結(jié)轉(zhuǎn)移和非轉(zhuǎn)移；

步驟四、將標(biāo)注后的訓(xùn)練數(shù)據(jù)集輸入改進的U-Net語義分割模型中進行訓(xùn)練，獲取訓(xùn)練好的分割模型；

步驟五、將標(biāo)注后的測試數(shù)據(jù)集輸入訓(xùn)練好的分割模型中進行測試，獲取測試結(jié)果。

進一步地，步驟二中所述數(shù)據(jù)增強的方法包括水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)。

進一步地，步驟四中所述改進的U-Net語義分割模型的改進之處在于：在U-Net語義分割模型的輸入端和下采樣部分放置空間變換網(wǎng)絡(luò)，在下采樣與上采樣之間放置特征金字塔網(wǎng)絡(luò)。

進一步地，步驟四中在訓(xùn)練分割模型前，以深度預(yù)訓(xùn)練模型方式對U-Net語義分割模型中參數(shù)完成初始化，對超參數(shù)進行微調(diào)。

根據(jù)本發(fā)明的另一方面，提供一種基于特征空間不變的圖像語義分割模型構(gòu)建系統(tǒng)，所述系統(tǒng)應(yīng)用于醫(yī)學(xué)圖像的處理，該系統(tǒng)包括：

數(shù)據(jù)獲取模塊，其配置成獲取直腸部分的核磁共振成像數(shù)據(jù)，并建立訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

數(shù)據(jù)擴充模塊，其配置成采用數(shù)據(jù)增強的方法對所述核磁共振成像數(shù)據(jù)進行擴充；

數(shù)據(jù)標(biāo)注模塊，其配置成對擴充后的核磁共振成像數(shù)據(jù)進行標(biāo)注，標(biāo)注類型包括直腸癌淋巴結(jié)轉(zhuǎn)移和非轉(zhuǎn)移；