基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法技术

本发明专利技术提供一种基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法，其中，分割方法包括以下步骤：I.将训练好的分割模型加载到卷积神经网络模型中；II.读取鼻咽癌MRI原始图像；III.对鼻咽癌MRI原始图像进行归一化，得到鼻咽癌MRI图像；IV.将鼻咽癌MRI图像输入卷积神经网络模型，得到鼻咽癌MRI图像的病灶概率图；V.将鼻咽癌MRI图像的病灶概率图进行二值化，得到病灶分割图。本发明专利技术还提供一种鼻咽癌病灶分割模型训练方法。本发明专利技术通过基于深度学习的鼻咽癌病灶分割模型训练方法得到的模型应用于病灶分割方法中，可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题，从而提高目标小图像的分割效果，更加准确的自动分割鼻咽癌病灶。

【技术实现步骤摘要】
基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法
本专利技术涉及医疗图像处理
，更具体地说，涉及一种基于深度学习的鼻咽癌病灶的自动分割模型训练方法及分割方法。
技术介绍
磁共振成像(MagneticResonanceImaging，简称MRI)采用静磁场和射频磁场使人体组织成像，在成像过程中，既不用电子离辐射、也不用造影剂就可获得高对比度的清晰图像。它能够从人体分子内部反映出人体器官失常和早期病变。磁共振成像能够提供人体器官的生理状态信息，它有能力将同样密度的不同组织和同一组织的不同化学结构通过影像显示表征出来。鼻咽癌(nasopharyngealcarcinoma，NPC)是指发生于鼻咽腔顶部和侧壁的恶性肿瘤。是我国高发恶性肿瘤之一，发病率为耳鼻咽喉恶性肿瘤之首。病因主要有：遗传因素、EB病毒、环境因素。因为鼻咽癌细胞对放射线敏感，所以放射治疗是目前公认且有效的治疗手段，其治疗后5年总生存率大约为74.9％。鼻咽癌的放射治疗依赖于对鼻咽癌病灶区域(放射靶区)进行准确勾画(即病灶分割)。传统鼻咽癌的靶区勾画主要来源于医生手工操作，这严重依赖于医生的经验以及工作状态，对于同样的病例，不同的医生可能会给出不同的勾画，不仅如此，目前国内的医生工作量很大，巨大的工作压力使勾画很容易出错，这将给患者的后续治疗带来严重后果。因此，现阶段采用了一种机器学习的自动化的方式来完成这项工作，提高勾画的一致性，减轻医生的工作压力。现有的用于鼻咽癌自动分割的方法主要都是传统机器学习的方法，这些方法具有以下缺点：第一，流程复杂；第二，效果不够好，医疗图像中经常会出现相比全图来说目标太小的问题，鼻咽癌MRI图像也不例外，鼻咽癌MRI图像中，病灶像素点仅占全部像素点的不到1％，通用的深度学习方法无法很好的处理这个问题。
技术实现思路
本专利技术的目的在于克服现有技术中的缺点与不足，提供一种基于深度学习的鼻咽癌病灶分割模型训练方法及分割方法，通过分割模型训练方法得到的模型应用于该分割方法中，可有效解决鼻咽癌MRI图像中小图像分割导致效果不好的问题，从而提高目标小图像的分割效果，更加准确的自动分割鼻咽癌病灶。为了达到上述目的，本专利技术通过下述技术方案予以实现：一种基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：首先，将鼻咽癌MRI图片及鼻咽癌病灶分割图片集划作为训练集；其次，建立卷积神经网络模型；最后，采用训练集对卷积神经网络模型进行训练，得到训练好的分割模型；其中，所述采用训练集对卷积神经网络模型进行训练，得到训练好的分割模型是指：包括以下步骤：第一步，将训练集的样本进行归一化，得到归一化后的样本；第二步，将归一化后的样本输入模型，得到分割概率图；第三步，使用分割概率图与归一化后样本的鼻咽癌病灶分割图片进行计算，得到dice损失；使用dice损失，反向传播更新模型参数；判断是否达到设定的轮数，是则得到训练好的分割模型，否则返回第一步。在上述方案中，本专利技术通过分割模型训练方法得到的模型可应用于鼻咽癌病灶分割方法中，以提高鼻咽癌病灶分割方法的准确性和分割效果。所述卷积神经网络模型包括用于提取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。所述下采样层包括残差卷积模块；所述上采样层包括金字塔池化模块。第二步中，所述将归一化后的样本输入模型，得到分割概率图是指：包括以下步骤：(1)将归一化后的样本输入模型；(2)对归一化后的样本执行一次倍数为2的下采样；(3)通过残差卷积模块执行四次残差卷积；(4)输入金字塔池化模块；(5)拼接金字塔池化模块的输出与第四次残差卷积的输出；(6)执行第五次残差卷积；(7)拼接第五次残差卷积的输出与第三次残差卷积的输出；(8)执行第六次残差卷积；(9)拼接第六次残差卷积的输出与第二次残差卷积的输出；(10)执行第七次残差卷积；(11)拼接第七次残差卷积的输出与第一次残差卷积的输出；(12)执行一次倍数为2的上采样；(13)拼接上采样的输出与归一化后的样本；(14)执行第八次残差卷积，得到分割概率图。所述残差卷积是指将输入分别通过两条路径，将两条路径的结果相加后输入线性整流激活函数，输出残差卷积的结果；其中，第一条路径依次对输入执行一次卷积、批归一化和线性整流激活函数；第二条路径对输入执行一次卷积。残差卷积模块中的卷积次数、激活函数以及卷积通道数可以根据实际需要灵活选取，本专利技术的残差卷积模块中使用的激活函数均为线性整流激活函数。所述金字塔池化模块中有四条路径，拼接四条路径的输出后，将拼接结果输入一个线性整流激活函数，最后将线性整流激活函数的输出执行一次卷积、批归一化和线性整流激活函数，得到金字塔池化模块的输出；其中，四条路径结构分别如下：第一条路径中含有一个大小为6的全局池化、一次卷积和一次上采样；第二条路径中含有一个大小为3的全局池化、一次卷积和一次上采样；第三条路径中含有一个大小为2的全局池化、一次卷积和一次上采样；第四条路径中含有一个大小为1的全局池化、一次卷积和一次上采样；四条路径中的上采样输出均为归一化后的样本输入图像大小。本专利技术将四条路径的结果拼接起来，进行一次激活，然后再使用一个一乘一大小的卷积操作，将通道数压缩到指定数量。四条路径中的不同大小的全局池化将带来不同大小的感受野，为了让每一个像素点都获取不同大小的感受野，每一条路径中都将使用一个上采样，上采样将把每一个池化结果都放大到输入特征块的大小，使输入特征块中的每一个位置的像素点都能获得不同大小的感受野，最终的一乘一的卷积将融合输入特征与新生成的感受野特征，同时压缩通道数量。金字塔池化模块中的路径数量、池化大小、激活函数、卷积次数以及通道数可以根据实际需要灵活选取。本专利技术下采样层包含多个残差卷积模块，残差卷积模块包含两次卷积，在将输入通过两次卷积之后，将输入加到卷积之后的结果上。对于图像中的小目标而言，相比高层次的特征，低层次的特征包含更多的小目标信息，而残差卷积模块能够更有效地利用低层次的特征，因此此处选择残差卷积模块来提取鼻咽癌病灶的语义特征。通用深度学习模型中通常包含多个下采样层，用于获取更大的感受野，然而下采样层操作将损失大量的局部细节特征，不利于小目标的分割，因此在本专利技术中，下采样层路径中将仅执行一次下采样，这样可以保留更多的局部细节信息，同时为了获取更大的感受野和全局信息，在下采样层路径的末尾添加金字塔池化模块。金字塔池化模块包含若干个不同大小的池化，用于获取不同大小的感受野信息，使用金字塔池化模块将弥补下采样层路径中仅进行一次下采样时所带来的感受野的不足。第三步中，dice损失作为卷积神经网络模型的损失函数，其计算公式为：其中，p为模型输出的分割概率图，g为图像的真实分割图。一种基于深度学习的鼻咽癌病灶分割方法，其特征在于：包括以下步骤：I.将第三步训练好的分割模型加载到卷积神经网络模型中；II.读取鼻咽癌MRI原始图像；所述鼻咽癌MRI原始图像是单通道的灰度图；III.对鼻咽癌MRI原始图像进行归一化，得到鼻咽癌MRI图像；IV.将鼻咽癌MRI图像输入卷积神经网络模型，得到鼻咽癌MRI图像的病灶概率图；V.将鼻咽癌MRI图像的病灶概率图进行二值化，得到病本文档来自技高网...

【技术保护点】
1.一种基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：首先，将鼻咽癌MRI图片及鼻咽癌病灶分割图片集划作为训练集；其次，建立卷积神经网络模型；最后，采用训练集对卷积神经网络模型进行训练，得到训练好的分割模型；其中，所述采用训练集对卷积神经网络模型进行训练，得到训练好的分割模型是指：包括以下步骤：第一步，将训练集的样本进行归一化，得到归一化后的样本；第二步，将归一化后的样本输入模型，得到分割概率图；第三步，使用分割概率图与归一化后样本的鼻咽癌病灶分割图片进行计算，得到dice损失；使用dice损失，反向传播更新模型参数；判断是否达到设定的轮数，是则得到训练好的分割模型，否则返回第一步。

【技术特征摘要】
1.一种基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：首先，将鼻咽癌MRI图片及鼻咽癌病灶分割图片集划作为训练集；其次，建立卷积神经网络模型；最后，采用训练集对卷积神经网络模型进行训练，得到训练好的分割模型；其中，所述采用训练集对卷积神经网络模型进行训练，得到训练好的分割模型是指：包括以下步骤：第一步，将训练集的样本进行归一化，得到归一化后的样本；第二步，将归一化后的样本输入模型，得到分割概率图；第三步，使用分割概率图与归一化后样本的鼻咽癌病灶分割图片进行计算，得到dice损失；使用dice损失，反向传播更新模型参数；判断是否达到设定的轮数，是则得到训练好的分割模型，否则返回第一步。2.根据权利要求1所述的基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：所述卷积神经网络模型包括用于提取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。3.根据权利要求2所述的基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：所述下采样层包括残差卷积模块；所述上采样层包括金字塔池化模块。4.根据权利要求3所述的基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：第二步中，所述将归一化后的样本输入模型，得到分割概率图是指：包括以下步骤：(1)将归一化后的样本输入模型；(2)对归一化后的样本执行一次倍数为2的下采样；(3)通过残差卷积模块执行四次残差卷积；(4)输入金字塔池化模块；(5)拼接金字塔池化模块的输出与第四次残差卷积的输出；(6)执行第五次残差卷积；(7)拼接第五次残差卷积的输出与第三次残差卷积的输出；(8)执行第六次残差卷积；(9)拼接第六次残差卷积的输出与第二次残差卷积的输出；(10)执行第七次残差卷积；(11)拼接第七次残差卷积的输出与第一次残差卷积的输出；(12)执行一次倍数为2的上采样；(13)拼接上采样的输出与归一化后的样本；(14)执行第八次残差卷积，得到分割概率图。5.根据权利要求4所述的基于深度学习的鼻咽癌病灶分割模型训练方法，其特征在于：所述残差卷积是指将输入分别通过两条路径，将两条路径的结果相加后输入线性整流激活函数，输出残差卷积的结果...

【专利技术属性】
技术研发人员：夏康力，田翔，晋建秀，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44