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: 2022114173640
申请人: 南昌航空大学
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:

1.一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:所述方法包括:

S1:对CT数据集进行批量预处理;对所给数据集中的腹部CT数据集进行批量预处理,调整其HU值以得到肝脏肿瘤区域区分度更高的CT;

S2:设计基于生成对抗网络的CT数据集扩充模型;基于预处理后的CT数据集,设计基于生成对抗网络的CT数据集扩充模型,获取高质量的肝脏肿瘤CT数据集;

S3:对CT数据集进行无交叉的随机划分;将S2中的高质量的肝脏肿瘤CT即增强后的CT转换成2D切片,并随机分类,每个增强后的CT数据集均被分为训练集和验证集,且二者不存在交叉;

S4:设计用于肝脏肿瘤分割模型的损失函数;针对腹部CT数据集中肝脏肿瘤的比例及分布特征,设计用于肝脏肿瘤分割模型的损失函数;

S5:设计肝脏肿瘤分割模型;基于S4中设计的损失函数,并结合医学图像的特征,设计肝脏肿瘤分割模型;

S6:训练肝脏肿瘤分割模型并进行肝脏肿瘤分割;将S3得到的训练集作为S5设计的肝脏肿瘤分割模型的输入,对肝脏肿瘤分割模型进行训练学习,并通过训练后的肝脏肿瘤分割模型进行肝脏肿瘤分割;进一步地,所述S1中对CT数据集进行批量预处理,具体做法是:将现有肝脏3DCT数据集进行HU值调整操作,将CT数据集中CT的HU值全部调整到[‑200,250]的范围内,并将该3DCT划分为512×512分辨率的2D切片。

2.根据权利要求1所述的一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:所述S2中设计基于生成对抗网络的CT扩充模型,具体做法是:CT数据集已在S1进行了预处理,预处理过的CT数据集作为部分训练集用于S2训练基于生成对抗网络的扩充模型,对抗网络的扩充模型的训练需要计算机断层扫描‑核磁共振成像联合健康腹部器官分割数据集中提供的腹部核磁共振成像作为另一部分训练集,用于模态迁移生成所需的肝脏CT;

首先利用循环生成对抗网络生成肝脏CT病理区域图像,肝脏CT病理区域图像包含两个生成器和两个鉴别器,其中第一个生成器G用于生成肝脏肿瘤病理区域Gg,第二个生成器F用于生成正常肝脏区域Fb,第一个鉴别器DX用于区分正常肝脏CT的真假,第二个鉴别器DY用于区分肝脏肿瘤病理区域图像的真假;其中,第一个鉴别器DX和第二个鉴别器DY给予真实CT高分数,对于生成CT则给予低分数;

所设计的肝脏CT病理区域图像生成网络模型的目标函数包括双对抗损失函数和循环一致性损失函数,对于第一个生成器G,第二个鉴别器DY,双对抗损失函数表示公式(1)为:(1)

其中, 表示为双对抗损失值,g代表真实正常区域子图像域,b代表真实病理区域图像域,λ1为控制参数,用来控制图像间相似度和多样性的相对重要性, 表示第一个生成对抗网络的目标函数, 表示第二个生成对抗网络的目标函数;

生成对抗网络的CT扩充模型与原始生成对抗网络目标函数相同;其定义公式(2)为:

(2)

其中,L表示为生成对抗网络的CT扩充模型目标函数值, 表示生成器生成的CT计算获得的概率值, 表示生成CT的分布, 表示生成器生成的CT,表示真实CT计算获得的概率值, 表示真实CT输入鉴别器后获得的

值;

对于第二个生成器F,第一个鉴别器DX,得到双对抗损失函数公式(3)为:

(3)

其中, 表示为双对抗损失值, 表示第一个生成对抗网络的目标函数,

表示第二个生成对抗网络的目标函数。

3.根据权利要求1所述的一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:所述S3中对数据集进行无交叉的随机划分,具体做法为:高质量的肝脏肿瘤CT为3D图像,对3D图像的不同方向进行读取并存储为2D切片,通过固定的比例将其划分为训练集和验证集,其中训练集切片经过重复裁剪,每张的分辨率为256×256像素;验证集的切片为原始大小,其中横断面切片分辨率为512×512像素;冠状面和矢状面切片分辨率为512×n像素,n为不固定值,随3DCT的Z轴长度变化。

4.根据权利要求1所述的一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:所述S4中设计用于肝脏肿瘤分割模型的损失函数,具体做法为:对腹部CT数据集中的图像特征进行分析,并根据分析结果为肝脏肿瘤分割模型设计损失函数,结合实验确定损失函数中超参数的最佳值,肝脏肿瘤分割模型设计损失函数的公式(4)为:(4)

其中, 表示为肝脏肿瘤分割模型设计损失函数,C为像素点肝脏肿瘤区域或非肿瘤区的所属类别, 为像素点所属类别的权重系数, 表示聚焦系数, 为交并比损失函数, 表达式公式(5)为:(5)

其中, N表示图像像素点的数量, 为分割模型对像素点i预测为类别c的概率值,为像素点i属于所属类别的真实值。

5.根据权利要求1所述的一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:所述S5中设计肝脏肿瘤分割模型,由多个方向的CT切片共同训练,得到肝脏分割模型和肿瘤分割模型,并通过编码器‑跳跃连接‑解码器的形式将高分辨率信息和低分辨率信息相结合,具体为:编码器的每一层使用深度残差块来处理特征图,对输入同时进行两步操作,第一步输入先使用两组不同尺度的卷积组,并拼接两组卷积组的输出,其中每组卷积组分别包含一个卷积核大小为1×1的卷积以及卷积核大小为3×3的卷积;第二步输入是对上一步的输出计算通道注意力值并与两组卷积组相乘,然后将最终的输出特征图与输入特征图相加,其中通道注意力值的计算包含压缩和激励两个操作,通过全局平均池化将特征图维度压缩成一维,再由全连接层对每个通道的重要性进行预测,完成激励;最后使用全局平均池化得到编码器每一层的输出;

跳跃连接以并联的方式连接通道注意力机制和空间注意力机制,其中通道注意力机制的原理与编码器中的通道注意力值的计算方式相同,空间注意力机制通过全局平均池化和全局最大池化进行处理,使用卷积核大小为7×7的卷积操作进行降维,由S型生长曲线生成空间注意力值;通过通道注意力机制和空间注意力机制对编码器每一层的输出提取空间注意力值和通道注意力值,并将空间注意力值和通道注意力值赋予解码器每一层的特征图,作为解码器每一层的输入;

解码器的每一层依次对输入进行不同尺度的卷积、批归一化处理和修正线性单元操作,经过上采样得到编码器每一层的输出,不断重复完成特征还原。

6.根据权利要求5所述的一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:在肝脏分割模型中,使用横断面、冠状面以及矢状面切片混合的训练集训练,由编码器进行肝脏特征的提取和学习,同时跳跃连接为特征图赋予特征权重,并由解码器进行特征还原,在经过数轮训练后拟合出适应肝脏CT横断面、冠状面以及矢状面切片的多平面肝脏分割模型;在肿瘤分割模型中,肝脏分割模型的分割结果为肿瘤分割模型的输入,训练集以肝脏的正确标记数据为基准去除肝脏以外的背景,排除训练过程中复杂的背景环境对肿瘤分割模型的肿瘤特征学习能力的影响,同样经过数轮训练后拟合出适应肿瘤特征的多平面肿瘤分割模型。

7.根据权利要求1所述的一种基于深度学习的肝脏肿瘤图像增强和分割的方法,其特征是:所述S6中训练肝脏肿瘤分割模型并进行肝脏肿瘤分割,具体做法为:肝脏肿瘤分割模型训练过程中,通过计算骰子相似系数损失,利用反向传播优化模型能力,直至拟合;拟合完成后利用验证集对模型的分割性能进行检验;训练后的肝脏肿瘤分割模型同时分割多个方向的CT切片并融合,具体包括:分别将横断面、冠状面以及矢状面的CT切片输入肝脏肿瘤分割模型得到分割概率图;

不同平面的分割概率图分别乘以预设的权值;

对加权后的分割概率图逐像素相加并转化成最终的分割结果。