基于深度学习神经网络的肝脏CT图像分割方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习神经网络的肝脏CT图像分割方法及装置，所述方法包括：构建基于密集卷积网络DenseNet和U型网络Unet的U型DenseNet二维2D网络及U型DenseNet三维3D网络；基于自动上下文auto‑context方法，将U型DenseNet 3D网络集成到U型DenseNet 2D网络中，获取U型DenseNet混合网络并进行深度学习训练；通过训练好的U型DenseNet混合网络对肝脏CT图像进行分割。本发明专利技术能够尽可能地提取CT肝脏图象的层内信息和层级间信息，并同时兼顾计算性能，降低运算参数，使得计算机能够而且较快地输出比较精确的肝脏和肿瘤分割图。

Segmentation method and device of liver CT image based on deep learning neural network

【技术实现步骤摘要】
基于深度学习神经网络的肝脏CT图像分割方法及装置
本专利技术涉及计算机多媒体的图像分割
，尤其涉及一种基于深度学习神经网络的肝脏CT图像分割方法及装置。
技术介绍
肝脏肿瘤是人体最常发生的肿瘤疾病之一，每年在全世界范围内造成了数量巨大的死亡案例。在进行治疗此类疾病的时候，精确的肝脏和肿瘤的形状、位置、大小信息，能够给手术医生提供巨大的帮助，以制定出更加优良的治疗计划。传统的肝脏和肿瘤信息，是医生通过肉眼对机器扫描出的包含病人体透视图像信息的片子逐张进行观察分析获取到的。上述处理方法耗时耗力还容易出错，对于医生的资历和经验更是高度依赖。因此，实现计算机的自动肝脏肿瘤分割定位，是现在医学临床界的一个迫切的愿望。肝脏肿瘤的信息主要存在于电子计算机断层扫描(ComputedTomography，简称为CT)切片图上。通过计算机分析CT切片图实现自动肝脏肿瘤分割技术是一个非常有挑战性的工作，其主要的难点，第一，不同于普通的相机图片，CT机扫描出的CT切片图像，像素很低，可以说是非常的模糊，对于肿瘤甚至肝脏的边缘的精确界定十分困难。第本文档来自技高网...

【技术保护点】
1.一种基于深度学习神经网络的肝脏电子计算机断层扫描CT图像分割方法，其特征在于，包括：/n构建基于密集卷积网络DenseNet和U型网络Unet的U型DenseNet二维2D网络及U型DenseNet三维3D网络；/n基于自动上下文auto-context方法，将U型DenseNet 3D网络集成到U型DenseNet 2D网络中，获取U型DenseNet混合网络并进行深度学习训练；/n通过训练好的所述U型DenseNet混合网络对肝脏CT图像进行分割。/n

【技术特征摘要】
1.一种基于深度学习神经网络的肝脏电子计算机断层扫描CT图像分割方法，其特征在于，包括：
构建基于密集卷积网络DenseNet和U型网络Unet的U型DenseNet二维2D网络及U型DenseNet三维3D网络；
基于自动上下文auto-context方法，将U型DenseNet3D网络集成到U型DenseNet2D网络中，获取U型DenseNet混合网络并进行深度学习训练；
通过训练好的所述U型DenseNet混合网络对肝脏CT图像进行分割。


2.如权利要求1所述的方法，其特征在于，通过训练好的所述U型DenseNet混合网络对肝脏CT图像进行分割具体包括：
通过训练好的所述U型DenseNet混合网络获取待分割的肝脏CT图像的3D输入体I，通过U型DenseNet2D网络将所述3D输入体I进行切片，并获取所述3D输入体I的切片内特征，通过所述U型DenseNet3D网络，根据所述U型DenseNet2D网络输出的上下层切片内特征和所述3D输入体I，获取所述3D输入体I的切片间特征，并获取基于所述切片内特征和所述切片间特征的混合特征，对所述混合特征进行优化，根据优化结果输出肝脏CT图像的肝脏和肿瘤的分割图。


3.如权利要求2所述的方法，其特征在于，通过U型DenseNet2D网络将所述3D输入体I进行切片，并获取所述3D输入体I的切片内特征具体包括：
根据公式1获取所述3D输入体I的切片内特征：



其中，X2d＝R12n×224×224×64，n表示输入训练样本的批量大小，R表示训练样本，X2d是U型DenseNet2D网络中的上采样层的特征量，是I2d的对应像素的概率，I2d∈R12n×224×224×3，表示U型DenseNet2D网络的输入样本，θ2d和θ2dcls为网络参数，函数f表示从体数据到三个相邻切片的变换函数。


4.如权利要求2或3所述的方法，其特征在于，通过U型DenseNet2D网络将所述3D输入体I进行切片，并获取所述3D输入体I的切片内特征之后，所述方法进一步包括:
通过U型DenseNet2D网络中设置的过渡层改变切片内特征的大小进行切片内特征的对齐，并通过过渡层中的压缩因子，对特征映射的数量进行压缩，其中，所述过渡层包括一个批归一化层、一个1×1卷积层以及一个池化层。


5.如权利要求3所述的方法，其特征在于，通过所述U型DenseNet3D网络，根据所述U型DenseNet2D网络输出的上下层切片内特征和所述3D输入体I，获取所述3D输入体I的切片间特征，并获取基于所述切片内特征和所述切片间特征的混合特征具体包括：
根据公式2对U型DenseNet2D网络输出的上下层切片内特征进行体形状的转换:



其中，表示体形状变换函数，X2d′＝R12n×224×224×64，
根据公式3，通过所述U型DenseNet3D网络，根据3D输入体I与来自U型DenseNet2D网络的上下文信息提取3D输入体的切片间特征即U型DenseNet3D网络上采样层的特征量X3d，并根据X3d和X2d′获取混合特征Z：



其中，θ3d表示网络参数。


6.如权利要求2所述的方法，其特征在于，对获取的U型DenseNet混合网络进行深度学习训练具体包括：
根据如公式4的加权交叉熵函数对获取的U型DenseNet混合网络进行深度学习训练：



其中，λ为权重平衡参数，第一交叉熵函数用于训练U型DenseNet2D网络，第二交叉熵函...

【专利技术属性】
技术研发人员：杜强，李德轩，匡铭，郭雨晨，聂方兴，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11