基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统技术方案
【技术实现步骤摘要】
基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统
本专利技术涉及一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统，特别涉及通过多任务学习以及任务间关联约束实现图像中复杂目标分割的方法，属于机器学习和医学图像分析领域，具体可应用于但不限于医学图像分割任务等。
技术介绍
智能医疗是当前人工智能领域一个热门的应用方向。如果能够让机器自动识别和分析医学图像，那就能帮助医生实现诊疗的精准化和个体化，并降低诊疗风险。这其中，医学图像中目标组织的自动识别和分割是一个关键的子问题。如果交给医生的医学影像已经排除了多余信息或是标注出了重要信息，医生的诊断效率将能得到大大的提高。本专利以腹部CT扫描(电子计算机断层扫描)图像中肝脏及其内部病变组织的自动标注为背景，提出一种新颖且有效的自动识别与分割方法。当前，主要的肝脏分割方法是基于交互的半自动方法，但由于该类方法的不稳定性和交互的敏感性使得其并未得到广泛应用。近年来，基于机器学习，特别是深度学习的方法，在医学图像分割中逐渐得到应用并在一些问题上取得了较好成绩，但该类方法应用在肝脏分割上还有很大缺陷，特别是应用在带有病变的肝脏...
【技术保护点】
一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，包括：对带有肝脏和肝脏肿瘤标签的CT扫描图像进行预处理；包括调整灰度到预设范围、下采样图像到预设尺寸、截取感兴趣的图像区域及对截取到的图像区域进行形变以扩充训练数据量；构建包括数据输入、公用特征提取、任务相关特征提取、任务输出四部分的多任务深度卷积网络；对所述多任务深度卷积网络进行有监督的训练，构建由肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数共同构成的监督层；将肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联...
【技术特征摘要】
1.一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，包括：对带有肝脏和肝脏肿瘤标签的CT扫描图像进行预处理；包括调整灰度到预设范围、下采样图像到预设尺寸、截取感兴趣的图像区域及对截取到的图像区域进行形变以扩充训练数据量；构建包括数据输入、公用特征提取、任务相关特征提取、任务输出四部分的多任务深度卷积网络；对所述多任务深度卷积网络进行有监督的训练，构建由肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数共同构成的监督层；将肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数构成的总损失函数作为误差，利用神经网络反向传导优化算法，通过不断的输入-输出-误差-反向传导误差的网络优化过程，训练所述多任务深度卷积网络；使用训练好的多任务深度卷积分割网络对测试数据进行肝脏和肝脏肿瘤分割，得到肝脏和肝脏肿瘤分割结果；根据图像原大小和截取区域信息恢复分割结果。2.根据权利要求1所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，所述多任务深度卷积网络以整张图像或图像中的部分截取区域为输入，输出整张图像的肝脏分割和肝脏肿瘤分割结果；所述多任务深度卷积网络为三维网络或二维网络。3.根据权利要求1所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，所述公用特征提取和任务特征相关提取包括卷积层、池化层和反卷积层。4.根据权利要求1所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，所述肝脏分割任务和肝脏肿瘤分割任务关联损失函数Linter定义为：其中，上指标l和t分别表示肝脏和肝脏肿瘤，N为输入图像中像素点总数，为肝脏分割结果中i点属于肝脏的概率，为肝脏肿瘤分割结果中i点属于肿瘤的概率。5.根据权利要求4所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，监督层中用于刻画预测结果和标准分割结果的误差的总损失函数为：Ltotal＝α1×Lliver+α2×Ltumor+Linter其中，Ltotal为任务的总损失函数，Lliver为肝脏分割任务相关的损失函数，Ltumor为肝脏肿瘤分割任务相关的损失函数，Linter为任务之间的关联损失，α1,α2为非负的权重因子。6.一种基于多任务深度卷积网络的肝脏及其肿瘤分割系统...
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。