3D图像的分割学习网络的训练方法、分割方法、分割装置和介质制造方法及图纸

技术编号:21915283 阅读:25 留言:0更新日期:2019-08-21 12:49
本公开涉及一种3D图像的分割学习网络的训练方法、分割方法、分割装置和介质。3D图像中包含关注对象且关注对象在其中占据的比例低于预定阈值,训练方法包括:基于多个密集块的依序联合构建分割学习网络,密集块内的基本单元之间具有密集连接,基本单元由批量归一化层、RELU层和卷积层组成;由处理器,基于3D图像的训练数据集,利用损失函数对分割学习网络进行训练,损失函数更关注困难样本且对远离关注对象的负面体素进行惩罚。其能够以结构更紧凑且参数更少的学习网络对不规则且小型的关注对象进行快速且准确的分割,且该学习网络的训练过程能够解决样本和前景背景的失衡问题,并尽量避免训练样本缺乏所导致的过拟合问题。

Training Method, Segmentation Method, Segmentation Device and Media of 3D Image Segmentation Learning Network

【技术实现步骤摘要】
3D图像的分割学习网络的训练方法、分割方法、分割装置和介质交叉引用本申请要求于2018年5月24日提交的申请号为62/675,765的美国临时申请的优先权,其全部内容通过引用结合于此。
本公开大体涉及图像处理和分析。更具体地,本公开涉及用于3D图像分割的学习网络的训练方法、3D图像的分割方法和分割装置以及其上存储有相应程序的非暂时性计算机可读的介质。
技术介绍
癌症是人类面临的重大疾病之一,癌症的早期检测能够大大增加存活率。但是,早期肿瘤通常形状不规则且在相应医学图像中所占比例很小。以鼻咽癌(NPC)为例,其是最常见的癌症之一,占所有癌症的0.7%。从1990年到2010年,鼻咽癌所导致的全球死亡人数从45,000例增长到65,000例。死亡人数每年增加约80,000例新病例。就死亡率增长数量而言,NPC排在第23位。MRI,尤其3DMRI扫描,是早期检测鼻咽癌(NPC)和各种分期肿瘤的重要成像模态。在第一次NPC诊断过程中,临床医生通常会逐切片手动勾画NPC边界。由于需要处理大量图像,该手动过程繁琐、耗时且容易出错。为了提高效率和准确性,临床医生经常使用计算机辅助工具来完成分割任务。目前提出了各种基于机器学习的分割算法视图满足临床对诸如分期肿瘤的小病灶的分割和检测需求。例如,一个扩展是SegNet,其利用编码网络来编码特征,并利用解码网络来恢复图像分辨率和预测分割蒙版。例如,DeepLab在应用全卷积神经网络后使用了全连接条件随机场的分割细化方法,以试图得到更好的分割。目前2D版本的DeepLab类学习网络已经扩展为3D版,以试图解决心血管的3DMRI图像的分割问题。此外,U-Net也被广泛应用于医学图像分割。但是,这些算法无法满足诸如NPC的关注对象的临床检测和分割需求,至少出现如下技术问题。不同受检者之间,肿瘤的不规则形状和尺寸发生巨大变化,例如,小尺寸和不规则形状对算法提出了更高的要求。在MRI数据中,作为前景的关注对象与背景的边界对比度通常是模糊的,即便对于有经验的专家来说,准确勾画肿瘤的边界也是繁琐的任务。图1(a)示出了第一患者的MRI图像,图1(b)中分别以白实线和黑实线示出了两位专家对该同位患者的同一幅MRI图像的NPC区域的标注结果,可以观察到两个标注结果之间存在很大的不一致。图2(a)和图2(b)示出了第二患者的MRI图像以及两位专家对其的NPC区域的标注结果,也可以观察到两个标注结果之间存在很大的不一致。作为前景的关注对象只占整个图像的一小部分,在学习网络的训练中会导致严重的前景背景失衡问题,进而导致训练困难。此外,由于准确勾画肿瘤边界的繁琐性,导致训练样本稀缺,这通常会导致学习网络的过拟合问题。提出本公开以解决以上问题。
技术实现思路
本公开意图提供一种3D图像的分割学习网络的训练方法、分割方法、分割装置和介质,其能够以结构更紧凑且参数更少的学习网络实现对不规则且小型的关注对象的快速且准确的分割,且该结构更紧凑且参数更少的学习网络的训练过程能够解决样本和前景背景的失衡问题,并尽量避免训练样本缺乏所导致的过拟合问题。根据本公开各个实施例的第一方案,提供了一种3D图像的分割学习网络的训练方法,所述3D图像中包含关注对象且关注对象在其中占据的比例低于预定阈值,所述训练方法包括:基于多个密集块的依序联合构建所述分割学习网络,所述密集块内的基本单元之间具有密集连接,所述基本单元由批量归一化层、RELU层和卷积层组成;由处理器,基于3D图像的训练数据集,利用损失函数对所述分割学习网络进行训练,所述损失函数更关注困难样本且对远离所述关注对象的负面体素进行惩罚。根据本公开各个实施例的第二方案,提供了一种3D图像的分割方法,所述分割方法包括:获取由图像采集装置采集的3D图像;基于所获取的3D图像利用训练好的分割学习网络进行分割,其中,所述分割学习网络基于卷积层、多个密集块、解卷积层和输出层的依序联合而构成,所述密集块内的基本单元之间具有密集连接,所述基本单元由批量归一化层、RELU层和卷积层组成,且所述分割学习网络的训练所利用的损失函数更关注困难样本且对远离所述关注对象的负面体素进行惩罚。根据本公开各个实施例的第三方案,提供了一种3D图像的分割装置,所述分割装置包括:接口,其配置为接收由图像采集装置采集的3D图像;处理器,其配置为:执行根据本公开各个实施例的3D图像的分割学习网络的训练方法;和/或执行根据本公开各个实施例的3D图像的分割方法。根据本公开各个实施例的第四方案,提供了一种其上储存有计算机程序的非暂时性计算机可读的介质,其中,所述计算机程序由至少一个处理器执行时,实现:根据本公开各个实施例的3D图像的分割学习网络的训练方法;和/或根据本公开各个实施例的3D图像的分割方法。利用根据本公开各个实施例的3D图像的分割学习网络的训练方法、分割方法、分割装置和介质,能够以结构更紧凑且参数更少的学习网络实现对不规则且小型的关注对象的快速且准确的分割,且该结构更紧凑且参数更少的学习网络的训练过程能够解决样本和前景背景的失衡问题,并尽量避免训练样本缺乏所导致的过拟合问题,训练成功率更高。应当理解,前面的大体描述以及后续的详细描述只是例示性的和说明性的,并非对所要求保护的本专利技术的限制。附图说明在未必按照比例绘制的附图中,不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例,并且与说明书和权利要求书一起用于解释所公开的实施例。图1(a)和图1(b)分别示出第一患者的MRI图像以及两位专家对其中鼻咽癌区域的标注对比图;图2(a)和图2(b)分别示出第二患者的MRI图像以及两位专家对其中鼻咽癌区域的标注对比图;图3示出根据本公开实施例的3D图像的分割学习网络的训练方法的流程图;图4示出根据本公开实施例的密集块的结构示意图;图5示出根据本公开实施例的3D图像的分割学习网络的架构示意图;图6示出根据本公开实施例的3D图像的分割系统的示意性图示;图7示出根据本公开实施例的3D图像的分割装置的示意性框图;图8示出包含鼻咽肿瘤的原始MRI图像、分别在其上由医师标注的真值分割结果、利用本公开的实施例的分割方法的分割结果、利用U-net学习网络实现的分割结果以及利用Deeplab学习网络实现的分割结果的对比图示;图9(a)和图9(b)示出在原始MRI图像上由医师标注的真值边界以及利用加权交叉熵作为损失函数训练好的分割学习网络对鼻咽肿瘤的分割结果的对比图示。具体实施方式图3示出根据本公开实施例的3D图像的分割学习网络的训练方法300的流程图。该分割学习网络及其训练方法尤其适用于关注对象占据比例低于预定阈值(前景背景某种程度上失衡)的3D图像。在一些实施例中,所述预定阈值在0.0001%到30%的范围内。例如,包含鼻咽癌或鼻咽分期肿瘤的脑部3DMRI图像、包含尺寸较小的肺结节的腹部3D容积CT图像、包含尺寸较小且形状不规律的不明部位的早期病变的全身3D容积CT图像等等。如图3所示,该方法300始于步骤301,其基于多个密集块的依序联合构建所述分割学习网络,所述密集块内的基本单元之间具有密集连接,所述本文档来自技高网
...

【技术保护点】
1.一种3D图像的分割学习网络的训练方法,所述3D图像中包含关注对象且关注对象在其中占据的比例低于预定阈值,其特征在于,所述训练方法包括:基于多个密集块的依序联合构建所述分割学习网络,所述密集块内的基本单元之间具有密集连接,所述基本单元由批量归一化层、RELU层和卷积层组成;由处理器,基于3D图像的训练数据集,利用损失函数对所述分割学习网络进行训练,所述损失函数更关注困难样本且对远离所述关注对象的负面体素进行惩罚。

【技术特征摘要】
2018.05.24 US 62/675,7651.一种3D图像的分割学习网络的训练方法,所述3D图像中包含关注对象且关注对象在其中占据的比例低于预定阈值,其特征在于,所述训练方法包括:基于多个密集块的依序联合构建所述分割学习网络,所述密集块内的基本单元之间具有密集连接,所述基本单元由批量归一化层、RELU层和卷积层组成;由处理器,基于3D图像的训练数据集,利用损失函数对所述分割学习网络进行训练,所述损失函数更关注困难样本且对远离所述关注对象的负面体素进行惩罚。2.根据权利要求1所述的训练方法,其特征在于,所述损失函数利用以下公式(1)来表示:L=-wd(1-pt)rlog(pt),公式(1)其中,L表示损失函数,r为大于0的常数;在真实标签为前景的情况下,pt表示相应体素为所述前景的概率,且wd=1;在真实标签并非前景的情况下,pt为1减去相应体素为所述前景的概率所得的值,且其中,k为大于0的超参数,gt表示所述关注对象的真值区域,v表示体素,d(gt,v)表示gt与v之间的欧氏距离,GTs表示所述关注对象的真值区域的集合。3.根据权利要求1所述的训练方法,其特征在于,所述预定阈值在0.0001%到30%的范围内。4.一种3D图像的分割方法,其特征在于,所述分割方法包括:获取由图像采集装置采集的3D图像;基于所获取的3D图像利用训练好的分割学习网络进行分割,其中,所述分割学习网络基于卷积层、多个密集块、解卷积层和输出层的依序联合而构成,所述密集块内的基本单元之间具有密集连接,所述基本单元由批量归一化层、RELU层和卷积层组成,且所述分割学习网络的训练所利用的损失函数更关注困难样本且对远离所述关注对象的负面体素进行惩罚。5.根据权利要求4所述的分割方法,其特征在于,所述损失函数利用以下公式(1)来表示:L=-wd(1-pt)rlog(pt),公...

【专利技术属性】
技术研发人员:宋麒孙善辉尹游兵
申请(专利权)人:深圳科亚医疗科技有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1