基于卷积Lstm及多模型融合的分割模型生成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卷积Lstm及多模型融合的胸膜病变的分割模型生成方法及装置，所述方法包括，得到胸膜的CT图像，对CT图像进行预处理；将预处理后的CT图像分别送入嵌入卷积Lstm的Unet网络模型和3D分割模型进行分割；将嵌入卷积Lstm的Unet网络模型和3D分割模型输出的分割结果分别使用多种损失函数结合的方法进行计算，将计算完成后得到的损失值使用梯度下降算法进行加权求和，得到梯度；将梯度进行反向传播，更新嵌入卷积Lstm的Unet网络模型和3D分割模型的权重参数；重复上述步骤进行迭代，最终得到分割模型。本发明专利技术实施例，能够很好地结合时序空间特征，精确分割出相关病灶，并较符合人为判断的标准。较符合人为判断的标准。较符合人为判断的标准。

【技术实现步骤摘要】
基于卷积Lstm及多模型融合的分割模型生成方法及装置


[0001]本专利技术涉及图像分割领域，尤其是涉及一种基于卷积Lstm及多模型融 合的分割模型生成方法及装置。

技术介绍

[0002]随着近几年人工智能技术的飞速发展，如何将最先进的技术有效的应 用于临床领域，获得了更多的关注。数据、算法、计算力、专业性四大要 素促进着医疗人工智能的发展。
[0003]数据集采用为LIDC
‑
IDRI(The Lung Image Database Consortium)，该数据 集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。 该数据是由美国国家癌症研究所(National Cancer Institute)发起收集的，目的 是为了研究高危人群早期癌症检测。
[0004]该数据集中，共收录了1018个研究实例。对于每个实例中的图像，都 由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。在第一阶段， 每位医师分别独立诊断并标注病患位置，其中会标注三中类别：1)>＝3mm 的结节,2)<3mm的结节,3)>＝3mm的非结节。在随后的第二阶段中，各位 医师都分别独立的复审其他三位医师的标注，并给出自己最终的诊断结果。 这样的两阶段标注可以在避免forced consensus的前提下，尽可能完整的标 注所有结果。
[0005]由于该数据集最终人工审核并且分类为胸膜病变的不同疾病症状，人 工进行分类标注。不同症状的标注区域和方法都有所不同。因此需要使用 多任务同时优化的手段对其进行优化，因此目前已有的深度学习模型如 Unet，Resnet，DenseNet，EfficientNet等都无法很好地适应该任务的要求。 目前市面上暂时没有胸膜病变分割的深度学习方法。

技术实现思路

[0006]本专利技术的目的在于提供一种基于ConvLstm及多模型融合的胸膜病变 的分割模型生成方法，旨在解决对不同症状胸膜病变的分割,提高对胸膜病 变的分割任务。
[0007]本专利技术提供一种基于ConvLstm及多模型融合的胸膜病变的分割模型 生成方法，包括，
[0008]S1、得到胸膜的CT图像，对CT图像进行预处理；
[0009]S2、将预处理后的CT图像分别送入嵌入ConvLstm的Unet网络模型 和3D分割模型进行分割；
[0010]S3、将嵌入ConvLstm的Unet网络模型和3D分割模型输出的分割结 果分别使用多种损失函数结合的方法进行计算，将计算完成后得到的损失 值使用梯度下降算法进行加权求和，得到梯度；
[0011]S4、将梯度进行反向传播，更新嵌入ConvLstm的Unet网络模型和3D 分割模型的权重参数；
[0012]S5、重复S1到S4进行迭代，最终得到分割模型。
[0013]优选的，所述S1具体包括：
[0014]S11、对CT图像元文件进行数据转换，根据公式1将X线的吸收系数 换算成CT值：
[0015]HU＝pixel*slope+intercept
ꢀꢀ
公式1；
[0016]其中，HU表示CT值的单位，用于表示CT值，slope为存储在磁盘表 示中的像素到存储在内存表示中的像素的线性转换的缩放斜率，intercept 为存储在磁盘表示中的像素到存储在内存表示中的像素的线性转换的截 距；pixel为CT图像像素；
[0017]S12、调整CT图像的窗宽窗位，使得胸膜获得最佳显示；
[0018]S13、采用邻近插值对S12得到的CT图像进行缩放。
[0019]优选的，将预处理后的CT图像送入嵌入ConvLstm的Unet网络模型 进行分割具体包括：
[0020]S31、将胸膜的CT图像从嵌入ConvLstm的Unet网络模型的第一层输 入，每一层都进行卷积操作和激活操作，通过嵌入ConvLstm的Unet网络 模型的下采样进行特征提取，通过嵌入ConvLstm的Unet网络模型的上采 样进行特征解码，逐渐恢复像素，其中，所述嵌入ConvLstm的Unet网络 模型中的上采样和所述下采样有三层，每一层中间有跨越连接，并嵌入所 述ConvLstm操作，以保证每个尺寸的空间信息；
[0021]将预处理后的CT图像送入3D分割模型进行分割具体包括：
[0022]S41、将胸膜的CT图像送入Wnet3D模型的第一层模块；
[0023]S42、通过Wnet3D模型的第一层模块得到的不同尺寸的图像特征，然 后通过所述第一层模块进行下采样、卷积、和特征提取后，传入Wnet3D 模型的下一层模块进行下采样、卷积、和特征提取；
[0024]S43、将Wnet3D模型中每层模块的结果综合起来得到最后的分割结果。
[0025]优选的，所述方法进一步包括：
[0026]在嵌入ConvLstm的Unet网络模型和3D分割模型每层执行卷积后，经 过批标准化层把值全部转化到[0,1]之间，通过如公式2所示的激活函数将 特征从线性转为非线性：
[0027][0028]其中，x为特征值；
[0029]将嵌入ConvLstm的Unet网络模型和3D分割模型输出的分割结果分别 使用多种损失函数结合的方法进行计算具体包括：
[0030]使用如公式3所示的二元交叉熵损失函数和如公式4所示的diceLoss 损失函数进行计算，得到损失值：
[0031][0032]其中y
t
表示真实标签，取值为[0～1]；
[0033][0034]其中，X为模型的分割结果，Y为真实标签，L
dice
得到的值为标量，dice 系数是一种集合相似度度量函数，用于计算两个样本的相似度，取值范围 为[0,1]，越接近1，表示模型
越能好的分割图像。
[0035]本专利技术提供一种基于ConvLstm及多模型融合的胸膜病变的分割模型 生成装置，包括，
[0036]预处理模块，用于对得到胸膜的CT图像进行预处理；
[0037]分割模块，用于将预处理后的CT图像分别送入嵌入ConvLstm的Unet 网络模型和3D分割模型进行分割；
[0038]计算模块，用于将嵌入ConvLstm的Unet网络模型和3D分割模型输出 的分割结果分别使用多种损失函数结合的方法进行计算，最后将计算完成 后得到的损失值使用梯度下降算法进行加权求和，得到梯度；
[0039]更新模块，用于将梯度进行反向传播，更新嵌入ConvLstm的Unet网 络模型和3D分割模型的权重参数；
[0040]结果模块，用于调用分割模块、计算模块和更新模块进行迭代，最终 得到分割模型。
[0041]优选的，所述预处理模块具体用于：
[0042]对CT图像元文件进行数据转换，根据公式1将X线的吸收系数换算 成CT值：
[0043]HU＝pixel*s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ConvLstm及多模型融合的胸膜病变的分割模型生成方法，其特征在于，包括，S1、得到胸膜的CT图像，对CT图像进行预处理；S2、将预处理后的CT图像分别送入嵌入ConvLstm的Unet网络模型和3D分割模型进行分割；S3、将嵌入ConvLstm的Unet网络模型和3D分割模型输出的分割结果分别使用多种损失函数结合的方法进行计算，将计算完成后得到的损失值使用梯度下降算法进行加权求和，得到梯度；S4、将梯度进行反向传播，更新嵌入ConvLstm的Unet网络模型和3D分割模型的权重参数；S5、重复S1到S4进行迭代，最终得到分割模型。2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：S11、对CT图像元文件进行数据转换，根据公式1将X线的吸收系数换算成CT值：HU＝pixel*slope+intercept
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式1；其中，HU表示CT值的单位，用于表示CT值，slope为存储在磁盘表示中的像素到存储在内存表示中的像素的线性转换的缩放斜率，intercept为存储在磁盘表示中的像素到存储在内存表示中的像素的线性转换的截距；pixel为CT图像像素；S12、调整CT图像的窗宽窗位，使得胸膜获得最佳显示；S13、采用邻近插值对S12得到的CT图像进行缩放。3.根据权利要求1所述的方法，其特征在于，将预处理后的CT图像送入嵌入ConvLstm的Unet网络模型进行分割具体包括：S31、将胸膜的CT图像从嵌入ConvLstm的Unet网络模型的第一层输入，每一层都进行卷积操作和激活操作，通过嵌入ConvLstm的Unet网络模型的下采样进行特征提取，通过嵌入ConvLstm的Unet网络模型的上采样进行特征解码，逐渐恢复像素，其中，所述嵌入ConvLstm的Unet网络模型中的上采样和所述下采样有三层，每一层中间有跨越连接，并嵌入所述ConvLstm操作，以保证每个尺寸的空间信息；将预处理后的CT图像送入3D分割模型进行分割具体包括：S41、将胸膜的CT图像送入Wnet3D模型的第一层模块；S42、通过Wnet3D模型的第一层模块得到的不同尺寸的图像特征，然后通过所述第一层模块进行下采样、卷积、和特征提取后，传入Wnet3D模型的下一层模块进行下采样、卷积、和特征提取；S43、将Wnet3D模型中每层模块的结果综合起来得到最后的分割结果。4.根据权利要求3所述的方法，其特征在于，所述方法进一步包括：在嵌入ConvLstm的Unet网络模型和3D分割模型每层执行卷积后，经过批标准化层把值全部转化到[0，1]之间，通过如公式2所示的激活函数将特征从线性转为非线性：其中，x为特征值；
将嵌入ConvLstm的Unet网络模型和3D分割模型输出的分割结果分别使用多种损失函数结合的方法进行计算具体包括：使用如公式3所示的二元交叉熵损失函数和如公式4所示的diceLoss损失函数进行计算，得到损失值：其中y
t
表示真实标签，取值为[0～1]；其中，X为模型的分割结果，Y为真实标签，L
dice
得到的值为标量，dice系数是一种集合相似度度量函数，用于计算两个样本的相似度，取值范围为[0，1]，越接近1，表示模型越能好的分割图像。5.一种基于ConvLstm及多模型融合的胸膜病变的分割模型生成装置，其特征在于，包括，预处理模块，用于对得到胸膜的CT图像进行预处理；分割模块，用于将预处理后的CT图像分别送入嵌入ConvLs...

【专利技术属性】
技术研发人员：杜强，欧阳金鹏，郭雨晨，聂方兴，唐超，
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：