基于权重图损失的分阶段神经网络CT器官分割方法及系统技术方案

本发明专利技术提供了一种基于权重图损失的分阶段神经网络CT器官分割方法及系统，包括：基于多个数据源采集不同器官分割标注的CT数据；对标注后的CT数据进行预处理，得到预处理后的CT数据；对预处理后的CT数据进行数据增强操作，得到数据增强后的CT数据；建立分阶段神经网络模型；数据增强操作后的多个数据源采集的不同器官分割标注的CT数据输入分阶段神经网络模型，对分阶段神经网络模型进行训练直至损失函数达到预设值，得到训练后的分阶段神经网络模型；利用训练后的分阶段神经网络模型进行CT器官分割；本发明专利技术采用基于多通道权重图的损失函数，以实现可以同时对多来源异质标签的多器官分割数据集进行训练的器官CT分割方法。

【技术实现步骤摘要】
基于权重图损失的分阶段神经网络CT器官分割方法及系统
本专利技术涉及医疗图像处理
，具体地，涉及基于权重图损失的分阶段神经网络CT器官分割方法及系统。
技术介绍
器官分割是许多医学影像分析任务(如病灶定位，疾病诊断，肿瘤定位等等)的前置任务，因此精准的器官分割在医学图像分析任务中具有重要的地位并且具有帮助医生定量分析、追踪病情发展、节省工作时间等的优点。近年来深度学习在计算机视觉各细分领域都取得了出色的成绩，其在医疗图像分割任务中的应用使得很多器官分割任务精度有了显著提高。然而，由于深度学习算法的精度很大程度上依赖于大量高质量的精准的数据标注使得关于器官分割的标注工作往往需要大量的时间和人力来完成。在这种情况下，将多个来源的标签不一致的数据集进行融合然后进行深度学习模型的训练是一个相对而言比较有效率且可行的方案，因此我们提出了一个基于权重图损失函数来达到这个目的。由于不同CT器官的分割难度不同，比如肺，肝，皮下脂肪等分割难度较为简单，而气管，胆囊等分割难度较大，因此我们提出了一个两阶段的由易到难的器官分割框架，第一阶段网络本文档来自技高网...

【技术保护点】
1.一种基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，包括：/n步骤M1：基于多个数据源采集不同器官分割标注的CT数据；/n步骤M2：对标注后的CT数据进行预处理，得到预处理后的CT数据；/n步骤M3：对预处理后的CT数据进行数据增强操作，得到数据增强后的CT数据；/n步骤M4：建立分阶段神经网络模型；/n步骤M5：数据增强操作后的多个数据源采集的不同器官分割标注的CT数据输入分阶段神经网络模型，对分阶段神经网络模型进行训练直至损失函数达到预设值，得到训练后的分阶段神经网络模型；/n步骤M6：利用训练后的分阶段神经网络模型进行CT器官分割；/n所述分阶段神经网络模型使用两阶段、从...

【技术特征摘要】
1.一种基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，包括：
步骤M1：基于多个数据源采集不同器官分割标注的CT数据；
步骤M2：对标注后的CT数据进行预处理，得到预处理后的CT数据；
步骤M3：对预处理后的CT数据进行数据增强操作，得到数据增强后的CT数据；
步骤M4：建立分阶段神经网络模型；
步骤M5：数据增强操作后的多个数据源采集的不同器官分割标注的CT数据输入分阶段神经网络模型，对分阶段神经网络模型进行训练直至损失函数达到预设值，得到训练后的分阶段神经网络模型；
步骤M6：利用训练后的分阶段神经网络模型进行CT器官分割；
所述分阶段神经网络模型使用两阶段、从易分粗分到难分细分的阶段化的网络结构。


2.根据权利要求1所述的基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，所述步骤M1包括：基于包括体检数据和临床数据采集预设数量不同器官分割标注的CT数据；
所述不同器官分割标注的CT数据包括预设数量含有肺叶分割标注的CT数据、预设数量含有肝、胆、肾、脾的器官分割标注的CT数据以及预设数量含有心脏、主动脉、肋骨、脊椎、气管、皮下脂肪、肝、胆、肾、脾分割标注的CT数据。


3.根据权利要求1所述的基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，所述步骤M2包括：对多个数据源采集的不同器官分割标注的CT数据进行包括剪裁、正则化以及统一体素间距预处理，得到预处理后的CT数据。


4.根据权利要求1所述的基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，所述步骤M3包括：对预处理后的CT数据进行包括弹性形变、随机缩放、随机翻转以及Gamma增强的数据增强操作，得到数据增强后的CT数据。


5.根据权利要求1所述的基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，所述步骤M4中分阶段神经网络模型包括：第一阶段神经网络和第二阶段神经网络；各阶段神经网络使用医学图像分割中的U型的3DUNet网络结构作为基本网络框架并引入了实例正则化及LeakyRelu；
所述各阶段神经网络包括编码部分和解码部分；通过所述编码部分进行下采样；
所述编码部分包括预设数量编码层；每个编码层包括预设数量卷积模块；每个卷积模块包括预设数量卷积层、预设数量实例正则化层和预设数量LeakyRelu层；每个编码层之间通过后一个编码层的第一个卷积层进行下采样
所述解码部分包括预设数量解码层；每个解码层之间由反卷积进行上采样；
相同特征图大小的编码层和解码层由跳跃连接相连传递相应特征。


6.根据权利要求1所述的基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，所述步骤M5包括：
步骤M5.1：按照预设输入CT数据数量，基于数据增强操作后的多个数据源采集的不同器官分割标注的CT数据进行平均采样；
步骤M5.2：将平均采样后的CT数据输入第一阶段神经网络，得到CT器官初步分割结果；
步骤M5.3：将CT器官初步分割结果和平均采样后的CT数据输入第二阶段神经网络，输出CT器官分割结果；
步骤M5.4：利用得到的CT器官分割结果优化分阶段神经网络模型，重复执行步骤M5.1至步骤M5.4，直至损失函数达到预设值，得到训练后的分阶段神经网络模型。


7.根据权利要求1所述的基于权重图损失的分阶段神经网络CT器官分割方法，其特征在于，所述步骤M5中损失函数包括：
结合交叉熵损失函数和Dice损失函数的混合损失函数并基于权重图进行权重调节，得到单一阶段的损失函数，具体公式为：






单一阶段的损失函数为联合LWCE和LWDice的整体损失函数定义为：
Ll＝LWCE+LWDice
其中，下标l＝1或2；N表示样本总量，C表示通道总数，权重图c表示所在通道，i表示所在图的索引位置，不同通道代表不同的器官；当所在数据集含有器官c的标注或当所在数据集不含有器官c标注但其他通道的位置i含有其他器官的标注时，当所在数据集不含有器官c标注且其他通道的位置i不含有其他器官的标注时，G代表了网络的优化目标即18通道的器官分割标注，代表了这个标注上第c个通道第i个像素的值，这里S代表了网络的输出结果...

【专利技术属性】
技术研发人员：蒋昌龙，党康，
申请(专利权)人：上海体素信息科技有限公司，
类型：发明
国别省市：上海;31