一种基于深度神经网络的影像三维组织分割与测定方法技术

本发明专利技术公开了一种基于深度神经网络的影像三维组织分割与测定方法，包括，采集活体猪的CT图像，划分为训练集与测试集并在训练集上进行标注；构建CT床分割网络和内脏分割网络，并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型；利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏；结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。可以自动、快速、准确分割出种猪的脂肪、肌肉和骨骼等组织，并且本方法适用于任何形状、任何大小的种猪。

【技术实现步骤摘要】
一种基于深度神经网络的影像三维组织分割与测定方法
本专利技术涉及计算机视觉、深度学习的
，尤其涉及一种基于深度神经网络的影像三维组织分割与测定方法。
技术介绍
养殖动物的分级和分类一般是基于脂肪、瘦肉和骨骼等组织在体内的占比情况，传统的测定方法要求活体被屠宰后通过手工解剖的方式将骨骼、脂肪、肌肉等组织从活体中分离出来，从而计算出三者的占比情况。该方法虽然准确但需要投入一定的人力和物力，其测定结果无法预测动物的生长状况，因此无法适用于整个动物群体。计算机断层扫描(ComputedTomography，以下简称CT)技术是一种在无损条件下获取物体内部微观结构信息的手段，其主要原理是根据物体对X线的吸收程度来反应的物体的密度。CT是最早应用于临床医疗诊断的无创成像的方法之一，它可以显示物体完整的三维信息，使器官结构更加清楚，从而发现一些微小的病灶。随着计算机技术及科技水平的发展，CT技术的应用领域也更加广泛。在畜牧业生产方面，将CT与计算机技术相结合用于测定活体动物各组织含量是目前研究热点之一。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在活体猪肌肉脂肪含量监测方法的问题，提出了本专利技术。因此，本专利技术解决的技术问题是：提供一种基于深度神经网络的影像三维组织分割与测定方法，只需对活猪进行CT扫描，即可做到快速精确地分割、测定出猪体的骨骼、肌肉、脂肪组织的重量及其占比，从而减少屠宰猪带来的不必要的损失。为解决上述技术问题，本专利技术提供如下技术方案：采集活体猪的CT图像，划分为训练集与测试集并在训练集上进行标注；构建CT床分割网络和内脏分割网络，并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型；利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏；结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述构建CT床分割网络包括，所述CT床分割网络主要由编码器和译码器组成，所述编码器包括三个子模块，每个子模块包括两个a×a卷积操作，一个残差块，以及一个b×b的最大池化；所述译码器包括三个子模块，每个子模块包括一个c×c的反卷积，两个d×d卷积操作和一个残差块，其中网络中的每个卷积操作后都跟随一个非线性激活函数，卷积操作的函数表示如下：其中：f(x,y)为输入图像特征，h(i,j)为卷积核，g(x,y)为输出的特征；残缺块的函数表示为如下：xl+1＝xl+F(x)其中：xl为这一层残差块的输入，F(x)为经过一系列卷积操作后的输出，xl+1为残差块的输出；使用“残差注意力路径”连接所述编码器和所述译码器对应的层，所述残差注意力路径由若干个残差块组成，每个残差块由e×e的卷积核和f×f卷积核并行后累加组成，残差块的使用个数由每一层的复杂度决定；使用h×h卷积和神经网络的激活函数输出最终结果，其中所述神经网络的激活函数定义如下：作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述训练CT床分割模型包括，将所述手工标记的CT床和其原始图像放入所述CT床分割网络进行训练，得到CT床分割模型，其损失函数选择二值交叉熵，定义如下：其中，X为原始图像，Y为手工标注的CT床，为网络预测的图像，px为一个像素点。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：其特征在于：所述构建内脏分割网络包括，所述内脏分割网络包括残差密集连接网络和双向卷积长短期记忆模型，其中搭建所述残差密集连接网络由一系列残差密集连接块，下采样和上采样操作组成；所述双向卷积长短期记忆模型由两个不同方向的卷积长短期模型组成，卷积长短期模型的函数定义如下所示：其中：*为卷积操作，为哈达玛乘积，Xn、Cn和Hn为输入，单元状态和隐藏状态，fn、in和on分别为遗忘门，输入门和输出门，bi、bf、bc和bo为偏置，W为权重矩阵；将所述残差密集连接网络的结果作为双向卷积长短期记忆模型的输入，最后使用归一化指函数输出结果。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述训练内脏分割模型包括，将所述手工标记的内脏和其原始图像放入所述内脏分割网络进行训练，得到所述内脏分割模型，其损失函数选择同样的二值交叉熵。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述预测CT床掩膜图包括，在剩余测试集中选取任一CT影像，将其输入所述CT床分割模型，得到网络预测的CT床掩膜图。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：先对所述预测的CT床掩膜图取反，再与原图进行相“与”运算，将原图图像数组与所述掩模图像数组进行像素点匹配，若CT扫描床图像数组中某像素的值为1，则把原始CT图像数组中的该位置的像素值置0，得到去除CT床的图像。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述去除内脏包括，将原始CT影像输入所述内脏分割模型中进行预测，得到预测的内脏掩膜图；将所述内脏掩膜图进行腐蚀操作，去除噪声点，其中腐蚀操作函数表示如下：其中：为腐蚀操作，x为集合平移的位移量，S1为腐蚀使用的结构元素，X1为原始的二值图像集合，Z1为腐蚀操作后得到的结果图；将所述腐蚀后的图像Z1进行膨胀恢复其原来大小得到新的新内脏掩膜图，其中所述膨胀操作的函数表示如下：其中：为膨胀操作，x为集合平移的位移量，S2为膨胀使用的结构元素，X2为膨胀操作前的图像集合，Z2为膨胀后得到新内脏掩膜图；根据所述新内脏掩膜图在所述去除CT床的图像中去除内脏，对所述新内脏掩膜图进行取反，再与所述去除CT床的图像相“与”，得到去除内脏的图像。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述提取出猪体的脂肪、肌肉与骨骼包括，根据所述脂肪、肌肉与骨骼分别的CT值范围，在所述去除内脏的图像中提取所述脂肪、肌肉与骨骼部分，并统计各自的体素点个数。作为本专利技术所述的基于深度神经网络的影像三维组织分割与测定方法的一种优选方案，其中：所述计算猪体的总体质量及各个组织的占比包括，计算所述脂肪、肌肉与骨骼的重量，其计算公式如下：Wf＝Fn×PS×ST×ρfWb＝Bn×PS×ST×ρbWl＝Ln×PS×ST×ρl其中：Wf为脂肪的重量，Wl为肌肉的重量，Wb为骨头的重量，Fn为脂肪的体素点个数，Bn为记肌本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的影像三维组织分割与测定方法，其特征在于：包括，/n采集活体猪的CT图像，划分为训练集与测试集并在训练集上进行标注；/n构建CT床分割网络和内脏分割网络，并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型；/n利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏；/n结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。/n

【技术特征摘要】
1.一种基于深度神经网络的影像三维组织分割与测定方法，其特征在于：包括，
采集活体猪的CT图像，划分为训练集与测试集并在训练集上进行标注；
构建CT床分割网络和内脏分割网络，并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型；
利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏；
结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。


2.如权利要求1所述的基于深度神经网络的影像三维组织分割与测定方法，其特征在于：所述构建CT床分割网络包括，
所述CT床分割网络主要由编码器和译码器组成，所述编码器包括三个子模块，每个子模块包括两个a×a卷积操作，一个残差块，以及一个b×b的最大池化；所述译码器包括三个子模块，每个子模块包括一个c×c的反卷积，两个d×d卷积操作和一个残差块，其中网络中的每个卷积操作后都跟随一个非线性激活函数，卷积操作的函数表示如下：



其中：f(x，y)为输入图像特征，h(i，j)为卷积核，g(x，y)为输出的特征；残缺块的函数表示为如下：
xl+1＝xl+F(x)
其中：xl为这一层残差块的输入，F(x)为经过一系列卷积操作后的输出，xl+1为残差块的输出；使用“残差注意力路径”连接所述编码器和所述译码器对应的层，所述残差注意力路径由若干个残差块组成，每个残差块由e×e的卷积核和f×f卷积核并行后累加组成，残差块的使用个数由每一层的复杂度决定；使用h×h卷积和神经网络的激活函数输出最终结果，其中所述神经网络的激活函数函数定义如下：





3.如权利要求2所述的基于深度神经网络的影像三维组织分割与测定方法，其特征在于：所述训练CT床分割模型包括，
将所述手工标记的CT床和其原始图像放入所述CT床分割网络进行训练，得到CT床分割模型，其损失函数选择二值交叉熵，定义如下：



其中，X为原始图像，Y为手工标注的CT床，为网络预测的图像，px为一个像素点。


4.如权利要求1～3任一所述的基于深度神经网络的影像三维组织分割与测定方法，其特征在于：所述构建内脏分割网络包括，
所述内脏分割网络包括残差密集连接网络和双向卷积长短期记忆模型，其中搭建所述残差密集连接网络由一系列残差密集连接块，下采样和上采样操作组成；所述双向卷积长短期记忆模型由两个不同方向的卷积长短期模型组成，卷积长短期模型的函数定义如下所示：















其中：*为卷积操作，为哈达玛乘积，Xn、Cn和Hn为输入，单元状态和隐藏状态，fn、in和on分别为遗忘门，输入门和输出门，bi、bf、bc和bo为偏置，W为权重矩阵；将所述残差密集连接网络的结果作为双向卷积长短期记忆模型的输入，最后使用归一化指函数输出结果。


5.如权...

【专利技术属性】
技术研发人员：潘祥，朱静，邰伟鹏，傅衍，谢振平，刘渊，罗小虎，
申请(专利权)人：江南大学，安徽工大信息技术有限公司，
类型：发明
国别省市：江苏;32