基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术提供一种基于深度学习的自动化肝脏分段模型的构建方法，包括：获取样本肝脏三维影像，并获取样本肝脏三维影像的肝脏分段标签；将样本肝脏三维影像和肝脏分段标签作为训练集，对肝脏分段模型迭代进行深度学习训练，得到经过训练的肝脏分段模型，其中肝脏分段模型采用的深度学习网络是基于UNet/VNet和通道注意力机制相结合的分段网络。还提供了相关的装置、计算机设备和可读存储介质。由于采用UNet/VNet和通道注意力机制相结合，通过UNet/VNet更多挖掘样本肝脏三维影像的影像信息，通过通道注意力机制对重要通道信息赋予更高的权重，得到更准确的预测结果，可以为医生提供准确且高效的肝脏分段结果。准确且高效的肝脏分段结果。准确且高效的肝脏分段结果。

【技术实现步骤摘要】
基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质


[0001]本专利技术涉及医学影像处理
，特别涉及肝脏分段
，具体是指一种基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质。

技术介绍

[0002]肝癌是世界上最常见的癌症疾病之一，目前肝癌超越胃癌挤进了癌症死亡的前三。肝脏是原发或继发肿瘤生长的常见部位，它们的异质和扩散形状使其很难进行分段解剖。因此，对肝脏中的每个分段能够实现精确推断和测量是现代肝脏手术的先决条件。
[0003]在临床诊断中，沿着Z轴远距离探索空间信息来进行肝脏分段是十分耗时的，因而需要自动化方法来高效解决。近来，深度学习在计算机视觉领域表现优异，已应用在CT的肝脏和肿瘤的自动化分割(Sun,C.,et al.:Automatic segmentation of liver tumors from multiphase contrast enhanced ct images based on FCNs[J].AI Med.2017,83:58
–
66)和自动化分段(Tian J,Liu L,Shi Z,et al.Automatic Couinaud Segmentation from CT Volumes on Liver Using GLC
‑
UNet[M].Machine Learning in Medical Imaging,10th International Workshop,MLMI 2019,Held in Conjunction with MICCAI 2019,Shenzhen,China,October 13,2019,Proceedings.2019)中。
[0004]上述的现有的基于CT的自动化肝脏分段方法基于深度学习Unet 2D网络(Ronneberger,O.,Fischer,P.,Brox,T.:U
‑
Net:convolutional networks for biomedical image segmentation.In:Navab,N.,Hornegger,J.,Wells,W.M.,Frangi,A.F.(eds.)MICCAI 2015.LNCS,vol.9351,pp.234
–
241.Springer,Cham(2015))通过全局和局部信息对CT数据进行肝脏分段，整个网络基于2D切片实现肝脏分割和肝脏分段两个任务。该网络采用的注意力机制是多层感知机，主要针对多层级的全局和局部信息的由粗到细进行特征提取。该网络的解码过程最终通过多层级融合实现对肝脏分段的结果预测。
[0005]但目前基于MRI的自动化肝脏分段研究较少，仍采用传统的算法分步骤实现(Lebre M A,Vacavant A,Grand
‑
Brochier M,et al.Automatic segmentation methods for liver and hepatic vessels from CT and MRI volumes,applied to the Couinaud scheme[J].Computers in Biology and Medicine,2019,110(7):42
‑
51)，即肝脏分割、血管中心线提取和重建肝脏分段。
[0006]由于现有的肝脏分段技术集中在两个方面：基于深度学习的CT肝脏分段和基于传统算法的MRI肝脏分段。然而，相对于CT，MRI能够提供多序列成像、多种图像模态等影像信息，它对疾病的诊断具有很大的潜在优越性，而深度学习相对传统算法能够自动化挖掘更潜在的影像信息。
[0007]因此，希望提供一种基于深度学习的自动化肝脏分段模型的构建方法，其能够获得准确且高效的自动化肝脏分段结果。

技术实现思路

[0008]本专利技术的目的是为了克服上述现有技术中的缺点，提供能够获得准确且高效的自动化肝脏分段结果的基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质。
[0009]为达到以上目的，在本专利技术的第一方面，提供一种基于深度学习的自动化肝脏分段模型的构建方法，其特点是，包括以下步骤：
[0010](1)获取样本肝脏三维影像，并获取所述样本肝脏三维影像的肝脏分段标签；
[0011](2)将所述样本肝脏三维影像和所述肝脏分段标签作为训练集，对肝脏分段模型迭代进行深度学习训练，得到经过训练的肝脏分段模型，其中所述肝脏分段模型采用的深度学习网络是基于UNet/VNet和通道注意力机制相结合的分段网络。
[0012]较佳地，在所述步骤(1)中，所述样本肝脏三维影像是肝脏MRI三维影像、肝脏B超三维影像、肝脏CT三维影像或肝脏MRS三维影像。
[0013]较佳地，在所述步骤(1)中，所述的获取样本肝脏三维影像的步骤具体包括：
[0014]对原始样本肝脏三维影像进行预处理得到所述样本肝脏三维影像，所述预处理包括直方图均衡化、标准化和归一化处理中的一种或几种。
[0015]较佳地，在所述步骤(2)中，所述UNet是UNet2.5D、UNet2D、UNet3D、UNet++、Res
‑
UNet、Dense U
‑
Net、MultiResUNet、R2U
‑
Net或Attention UNet。
[0016]较佳地，在所述步骤(2)中，所述深度学习网络包括卷积层、池化层、反卷积层、级联层和批标准化层，所述卷积层通过所述池化层信号连接所述反卷积层，所述级联层分别信号连接所述卷积层、所述池化层、所述反卷积层和所述批标准化层，所述卷积层提取所述样本肝脏三维影像的特征图，所述池化层对所述特征图进行下采样操作，所述反卷积层对所述特征图填补后做卷积操作来扩大所述特征图的尺寸，所述级联层将不同层级输出的所述特征图进行组合，所述批标准化层对所述特征图的数值进行标准化。
[0017]较佳地，在所述步骤(2)中，所述深度学习训练包括编码过程和解码过程，所述编码过程和所述解码过程均采用所述UNet/VNet和所述通道注意力机制，所述解码过程还采用多层级融合操作和全监督操作中的一种或几种。
[0018]更佳地，在所述步骤(2)中，所述全监督操作采用的损失函数为多分类交叉熵损失函数。
[0019]在本专利技术的第二方面，提供一种基于深度学习的自动化肝脏分段模型的构建装置，其特点是，包括：
[0020]肝脏分段模型训练模块，采用基于UNet/VNet和通道注意力机制相结合的分段网络，用于以样本肝脏三维影像和所述样本肝脏三维影像的肝脏分段标签作为训练集，对肝脏分段模型迭代进行深度学习训练，得到经过训练的肝脏分段模型。
[0021]在本专利技术的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特点是，所述处理器执行所述计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自动化肝脏分段模型的构建方法，其特征在于，包括以下步骤：(1)获取样本肝脏三维影像，并获取所述样本肝脏三维影像的肝脏分段标签；(2)将所述样本肝脏三维影像和所述肝脏分段标签作为训练集，对肝脏分段模型迭代进行深度学习训练，得到经过训练的肝脏分段模型，其中所述肝脏分段模型采用的深度学习网络是基于UNet/VNet和通道注意力机制相结合的分段网络。2.如权利要求1所述的基于深度学习的自动化肝脏分段模型的构建方法，其特征在于，在所述步骤(1)中，所述样本肝脏三维影像是肝脏MRI三维影像、肝脏B超三维影像、肝脏CT三维影像或肝脏MRS三维影像。3.如权利要求1所述的基于深度学习的自动化肝脏分段模型的构建方法，其特征在于，在所述步骤(1)中，所述的获取样本肝脏三维影像的步骤具体包括：对原始样本肝脏三维影像进行预处理得到所述样本肝脏三维影像，所述预处理包括直方图均衡化、标准化和归一化处理中的一种或几种。4.如权利要求1所述的基于深度学习的自动化肝脏分段模型的构建方法，其特征在于，在所述步骤(2)中，所述UNet是UNet2.5D、UNet2D、UNet3D、UNet++、Res
‑
UNet、Dense U
‑
Net、MultiResUNet、R2U
‑
Net或Attention UNet。5.如权利要求1所述的基于深度学习的自动化肝脏分段模型的构建方法，其特征在于，在所述步骤(2)中，所述深度学习网络包括卷积层、池化层、反卷积层、级联层和批标准化层，所述卷积层通过所述池化层信号连接所述反卷积层，所述...

【专利技术属性】
技术研发人员：李翠萍，吴殊，李玉龙，许自强，
申请(专利权)人：上海志御软件信息有限公司，
类型：发明
国别省市：