欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022101621545
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于辅助学习任务与重分割约束的医学图像分割方法,其特征在于:该方法包括下列顺序的步骤:

(1)对三维人脑核磁共振数据进行预处理,得到训练集和测试集;

(2)构建基于辅助学习任务与重分割约束的分割网络;

(3)将训练集输入分割网络进行训练,得到训练好的分割网络;

(4)将测试集输入训练好的分割网络,分割网络输出得到分割结果;

在步骤(2)中,所述分割网络包括第一编码模块、第二编码模块、第一解码模块、第二解码模块和第三解码模块;

所述第一编码模块和第二编码模块均由四个卷积块和三个最大池化下采样层组成,所述四个卷积块包括第一卷积块、第二卷积块、第三卷积块和第四卷积块,所述第一卷积块包括第一卷积层、第一批量归一化层、第一修正线性单元激活层、第二卷积层、第二批量归一化层和第二修正线性单元激活层;所述第二卷积块包括第三卷积层、第一批量归一化层、第一修正线性单元激活层、第四卷积层、第二批量归一化层和第二修正线性单元激活层;所述第三卷积块包括第五卷积层、第一批量归一化层、第一修正线性单元激活层、第六卷积层、第二批量归一化层和第二修正线性单元激活层;所述第四卷积块包括第七卷积层、第一批量归一化层、第一修正线性单元激活层、第八卷积层、第二批量归一化层和第二修正线性单元激活层;所述三个最大池化下采样层包括第一最大池化下采样层、第二最大池化下采样层和第三最大池化下采样层;

所述第一解码模块、第二解码模块和第三解码模块均由三个反卷积块和三个上采样层组成,所述三个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块,所述第一反卷积块包括第九卷积层、第三批量归一化层、第三修正线性单元激活层、第十卷积层、第四批量归一化层和第四修正线性单元激活层;所述第二反卷积块包括第十一卷积层、第三批量归一化层、第三修正线性单元激活层、第十二卷积层、第四批量归一化层和第四修正线性单元激活层;所述第三反卷积块包括第十三卷积层、第三批量归一化层、第三修正线性单元激活层、第十四卷积层、第四批量归一化层、第四修正线性单元激活层和第十五卷积层;所述三个上采样层包括第一上采样层、第二上采样层和第三上采样层。

2.根据权利要求1所述的基于辅助学习任务与重分割约束的医学图像分割方法,其特征在于:所述步骤(1)具体包括以下步骤:

(2a)所述三维人脑核磁共振数据包括四种模态:T1、T1c、T2和FLAIR,将四种模态的三维人脑核磁共振数据进行合并,其中这四种模态数据的原始尺寸为240*240*155,生成尺寸为4*240*240*155大小的四通道三维数据,其中4表示模态数量,155表示每个三维人脑核磁共振数据中含有的二维切片数目,240*240分别表示图像的高度和宽度;

(2b)对合并后的三维人脑图像数据由nii格式转换为numpy格式;

(2c)对转换后的数据采用零-均值规范化方法进行归一化处理;

(2d)根据随机划分将归一化处理后的图像以7:3的比例划分为训练集和测试集;

(2e)将训练集进行随机裁剪,得到4*128*128*128的尺寸大小的训练集数据。

3.根据权利要求1所述的基于辅助学习任务与重分割约束的医学图像分割方法,其特征在于:所述步骤(3)具体包括以下步骤:

(3a)将训练集分批次依次输入第一编码模块,第一编码模块对输入的数据进行编码得到第一特征图;

(3b)将第一特征图并行输入到第一解码模块和第二解码模块中,实现分割网络的前向传播,第一解码模块输出重建结果,第二解码模块输出分割结果;

(3c)将重建结果输入到第二个编码模块,得到第二特征图;

(3d)将第二特征图输入到第三个解码模块,实现网络的前向传播,得到重分割结果;

(3e)将分割结果与所对应的真实分割图进行对比,通过骰子损失函数计算分割损失;将重分割结果与所对应的真实分割图进行对比,通过骰子损失函数计算重分割损失,骰子损失函数的计算公式为:其中,X为真实分割图;在计算分割损失时,Y为分割结果,在计算重分割损失时,Y为重分割结果;将步骤(3b)得到的重建结果与输入分割网络的待分割的训练集数据进行对比,通过交叉熵损失函数计算重建损失;

(3f)将步骤(3e)得到的分割损失、重分割损失、重建损失进行加权求和得到总的损失结果,利用梯度下降算法反向传播训练分割网络;

(3g)在分割网络训练次数达到所设置的训练次数后,得到训练好的分割网络。

4.根据权利要求1所述的基于辅助学习任务与重分割约束的医学图像分割方法,其特征在于:所述第一卷积层的卷积核大小为3×3×3,卷积核个数为32个;第二卷积层的卷积核大小为3×3×3,卷积核个数为64个;第三卷积层的卷积核大小为3×3×3,卷积核个数为64个:第四卷积层的卷积核大小为3×3×3,卷积核个数为128个;第五卷积层的卷积核大小为3×3×3,卷积核个数为128个;第六卷积层的卷积核大小为3×3×3,卷积核个数为256个;第七卷积层的卷积核大小为3×3×3,卷积核个数为256个;第八卷积层的卷积核大小为3×3×3,卷积核个数为512个;

第一最大池化下采样层、第二最大池化下采样层和第三最大池化下采样层的大小均为2×2×2;

所述第九卷积层的卷积核大小为3×3×3,卷积核个数为256个;第十卷积层的卷积核大小为3×3×3,卷积核个数为256个;第十一卷积层的卷积核大小为3×3×3,卷积核个数为128个;第十二卷积层的卷积核大小为3×3×3,卷积核个数为128个;第十三卷积层的卷积核大小为3×3×3,卷积核个数为64个;第十四卷积层的卷积核大小为3×3×3,卷积核个数为64个;第十五三卷积层的大小为3×3×3,卷积核的个数为4个。

5.根据权利要求1所述的基于辅助学习任务与重分割约束的医学图像分割方法,其特征在于:所述第一编码模块的第一卷积块作为分割网络的输入端口,第一编码模块的第一卷积块的输出结果输入到第一编码模块的第一最大池化下采样层,第一编码模块的第一最大池化下采样层的输出结果输入到第一编码模块的第二卷积块,第一编码模块的第二卷积块的输出结果输入到第一编码模块的第二最大池化下采样层,第一编码模块的第二最大池化下采样层的输出结果输入到第一编码模块的第三卷积块,第一编码模块的第三卷积块的结果输入到第一编码模块的第三最大池化下采样层,第一编码模块的第三最大池化下采样层的输出结果输入到第一编码模块的第四卷积块,第一编码模块的第四卷积块的输出结果并行输入到第一解码模块的第一上采样层、第二解码模块的第一上采样层,将第一解码模块的第一上采样层的输出结果和第一编码模块的第三卷积块的输出结果进行拼接,得到第一拼接结果,将第二解码模块的第一上采样层的输出结果和第一编码模块的第三卷积块的输出结果进行拼接,得到第二拼接结果,将第一拼接结果输入至第一解码模块的第一反卷积块,将第二拼接结果输入至第二解码模块的第一反卷积块,第一解码模块的第一反卷积块的输出结果输入至第一解码模块的第二上采样层,第二解码模块的第一反卷积块的输出结果输入至第二解码模块的第二上采样层,将第一解码模块的第二上采样层的输出结果与第一编码模块的第二卷积块的输出结果进行拼接,得到第三拼接结果,将第二解码模块的第二上采样层的输出结果与第一编码模块的第二卷积块的输出结果进行拼接,得到第四拼接结果,将第三拼接结果输入至第一解码模块的第二反卷积块,将第四拼接结果输入至第二解码模块的第二反卷积块,第一解码模块的第二反卷积块的输出结果输入至第一解码模块的第三上采样层,第二解码模块的第二反卷积块的输出结果输入至第二解码模块的第三上采样层,将第一解码模块的第三上采样层的输出结果与第一编码模块的第一卷积块的输出结果进行拼接,得到第五拼接结果,将第二解码模块的第三上采样层的输出结果与第一编码模块的第一卷积块的输出结果进行拼接,得到第六拼接结果,将第五拼接结果输入至第一解码模块的第三反卷积块,将第六拼接结果输入至第二解码模块的第三反卷积块,第一解码模块输出重建结果,第二解码中输出分割结果,将重建结果输入到第二编码器的第一卷积块,第二编码器的第一卷积块的输出结果输入到第二编码器的第一最大池化下采样层,第一最大池化下采样层的输出结果输入到第二编码器的第二卷积块,第二卷积块的输出结果输入到第二编码器的第二最大池化下采样层,第二编码器的第二最大池化下采样层的输出结果输入到第二编码器的第三卷积块,第二编码器的第三卷积块的输出结果输入到第二编码器的第三最大池化下采样层,第二编码器的第三最大池化下采样层的输出结果输入到第二编码器的第四卷积块,第二编码器的第四卷积块的输出结果输入到第三解码器的第一上采样层,将第三解码器的第一上采样层的输出、第二个编码器的第三卷积块的输出进行拼接,将拼接结果输入到第三解码器的第一反卷积块,第三解码器的第一反卷积块的输出结果输入到第三解码器的第二上采样层,将第三解码器的第二上采样层的输出、第二编码器的第二卷积块的输出进行拼接,将拼接结果输入到第三解码器的第二反卷积块,第三解码器的第二反卷积块的输出结果输入到第三解码器的第三上采样层,将第三解码器的第三上采样层的输出、第二编码器的第一卷积块的输出进行拼接,将拼接结果输入到第三解码器的第三反卷积块得到重分割结果。