基于多尺度特征提取的分割模型建立、分割方法及装置制造方法及图纸

本发明专利技术属于语义分割技术领域，公开了一种基于多尺度特征提取的分割模型建立、分割方法及装置。该装置包括数据采集和预处理模块用于获取原始腹部3D CT图像集，对原始腹部3D CT图像集进行预处理，获得腹部3D CT图像集，进行标注获得标签集；模型建立模块用于建立3D U‑Net模型，3D U‑Net模型包括编码器和解码器，所述编码器和解码器均包含由低到高多个层级，每层编码器与同层级以及所有高层级的解码器之间存在跳跃连接，每层解码器与所有高层级的解码器之间存在跳跃连接；模型训练模块用于训练，将训练好的模型作为分割模型；分割模块用于获取待分割的原始腹部3D CT图像的分割结果。本发明专利技术在不同层级的编码器和解码器之间引入跳跃连接，增加了网络中信息传递的路径，解决了原始U‑Net难以同时提取不同尺度的特征的问题，提高了分割的准确性。

【技术实现步骤摘要】
基于多尺度特征提取的分割模型建立、分割方法及装置
本专利技术属于语义分割
，具体涉及一种基于多尺度特征提取的分割模型建立、分割方法及装置。
技术介绍
近年来，随着图像处理和深度学习技术的不断成熟，基于人工智能技术的计算机辅助诊断可以帮助病理医师进行更加客观、有效的诊断。深度卷积神经网络可直接从数据样本中隐式地自动学习医学图像特征，其学习过程本质上是一个优化问题的求解过程。通过学习，模型从训练数据中选择正确的特征，使其在测试新数据时做出正确决策。虽然将深度学习应用于医学影像问题已十分普遍，但针对消化道肿瘤方面的研究依然稀少。相比于医学图像中研究较多的器官分割，肿瘤分割一直是医学图像分割的难点，也逐渐称为热门的研究主题。肿瘤分割的难点有三方面。第一是类别不平衡，3DCT中大部分图像都是背景，只有很小的比例是肿瘤；第二是对比度低，对于从事非医学图像研究的人来说，看少量的病例就能大致知道每个数据中的器官在哪里，但是想把每个病例中的肿瘤都找出来，难度就大很多；第三，相对于器官，肿瘤的尺度变化差异明显，想要更好的分割效果就需要解决多尺度问题。本文档来自技高网...

【技术保护点】
1.一种基于多尺度特征提取的分割模型建立方法，其特征在于，包括如下步骤：/n步骤1：获取原始腹部3D CT图像集，对原始腹部3D CT图像集进行预处理，获得腹部3DCT图像集，对腹部3D CT图像集中每张腹部3D CT图像的消化道器官进行标注获得标签集；/n步骤2：建立3D U-Net模型，所述的3D U-Net模型包括编码器和解码器，所述编码器和解码器均包含由低到高多个层级，每层编码器与同层级以及所有高层级的解码器之间存在跳跃连接，每层解码器与所有高层级的解码器之间存在跳跃连接；/n所述的编码器用于下采样，所述的解码器用于上采样，其中，每层编码器用于先在x方向和y方向进行下采样，直至x方向和...

【技术特征摘要】
1.一种基于多尺度特征提取的分割模型建立方法，其特征在于，包括如下步骤：
步骤1：获取原始腹部3DCT图像集，对原始腹部3DCT图像集进行预处理，获得腹部3DCT图像集，对腹部3DCT图像集中每张腹部3DCT图像的消化道器官进行标注获得标签集；
步骤2：建立3DU-Net模型，所述的3DU-Net模型包括编码器和解码器，所述编码器和解码器均包含由低到高多个层级，每层编码器与同层级以及所有高层级的解码器之间存在跳跃连接，每层解码器与所有高层级的解码器之间存在跳跃连接；
所述的编码器用于下采样，所述的解码器用于上采样，其中，每层编码器用于先在x方向和y方向进行下采样，直至x方向和y方向与z方向的分辨率相同后，再开始z方向的下采样；
步骤3：利用步骤1得到的腹部3DCT图像集以及标签集对3DU-Net模型进行训练，将训练好的模型作为分割模型。


2.如权利要求1所述的基于多尺度特征提取的分割模型建立方法，其特征在于，步骤1中的预处理包括：数据裁剪、三阶样条插值和归一化。


3.一种基于多尺度特征提取的分割方法，包括如下步骤：
步骤a：获取待分割的原始腹部3DCT图像，对待分割的原始腹部3DCT图像进行预处理，获得腹部3DCT图像；
步骤b：将腹部3DCT图像输入如权利要求1-2中任一种基于多尺度特征提取的分割模型建立方法得到的分割模型，获得待分割的原始腹部3DCT图像的分割结果。


4...

【专利技术属性】
技术研发人员：谢飞，郜刚，
申请(专利权)人：陕西大智慧医疗科技股份有限公司，
类型：发明
国别省市：陕西;61