基于多任务的深度学习模型的血肿分割方法技术

本发明专利技术公开了基于多任务的深度学习模型的血肿分割方法，包括如下步骤：(1)构建多任务深度学习模型；(2)获取脑CT样本图像，将脑CT样本图像作为输入，针对分类和分割任务对多任务深度学习模型进行训练，确定下采样部分；(3)保持下采样部分不变，针对分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行训练，确定上采样部分；(4)针对分类、分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行整体训练。本发明专利技术将单任务的血肿分割扩展为多任务的分类、分割和轮廓回归，提高分类和分割的准确度，实现更加准确的血肿分割，同时确定血肿类型。血肿类型。血肿类型。

【技术实现步骤摘要】
基于多任务的深度学习模型的血肿分割方法


[0001]本专利技术涉及图像分割
，特别涉及基于多任务的深度学习模型的血肿分割方法。

技术介绍

[0002]近些年语义分割模型飞速发展，在医学图像的目标区域分割上应用较多，在以深度学习为基础语义分割中，模型结构设计被公认为制约分类精度最至关重要的影响因素，一个优秀的结构能够充分利用有效特征信息，为最终预测结果带来有利的影响。
[0003]在CT图像脑血肿分割任务中，经常利用语义分割模型来实现分割任务，不同于其他组织器官，精确分割脑血肿需要克服以下困难：首先，血肿区域与正常脑组织间的边界模糊、对比度低，常伴有水肿出现；其次，血肿在CT图像中出现的位置具有不确定性，对于贴近颅骨的血肿，由于同属高密度区域，容易出现误分割问题；最后，不同患者之间血肿的尺寸、形状存在较大差异。现有语义分割模型较难实现对CT图像脑血肿的精准分割。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术目的是提供一种基于多任务的深度学习模型的血肿分割方法。
[0005]技术方案：本专利技术的一种基于多任务的深度学习模型的血肿分割方法，包括如下步骤：
[0006](1)构建多任务深度学习模型；
[0007](2)获取脑CT样本图像，将脑CT样本图像作为输入，针对分类和分割任务对多任务深度学习模型进行训练，确定下采样部分；
[0008](3)保持下采样部分不变，针对分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行训练，确定上采样部分；
[0009](4)针对分类、分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行整体训练。
[0010]进一步，步骤(1)多任务深度学习模型包括两子模块和特征金字塔单元，第一模块用于实现步骤(2)分类和分割任务，第二模块用于实现步骤(3)分割和轮廓回归任务；特征金字塔单元设置在第一模块和第二模块之间，用于下采样之后、上采样之前。
[0011]进一步，所述特征金字塔单元结构为：拼接四个不同扩张率的卷积层，使用卷积层聚合拼接特征信息，输入到注意力单元，得到输出特征信息。
[0012]进一步，步骤(2)中的分割任务和分类任务之间通过任务一致性模块实现参数软共享；步骤(3)中的分割任务和轮廓回归任务之间在编码阶段为硬共享，解码阶段通过任务一致性模块实现软共享。
[0013]进一步，任务一致性模块包括卷积单元和注意力单元。
[0014]进一步，在步骤(3)轮廓回归任务中使用多尺度特征融合单元，多尺度特征融合单
元通过最近邻法上采样将多尺度的数据信息调整为维数长和宽相同的数据，然后通过卷积层聚合拼接特征信息，再通过1*1卷积、归一化和Relu激活函数输出数据至注意力单元。
[0015]进一步，步骤(2)分类任务指将脑CT样本分成以下四类：基底节区血肿、非基底节区血肿、硬膜类血肿以及无血肿。
[0016]有益效果：本专利技术与现有技术相比，其显著优点是：本专利技术将单任务的血肿分割扩展为多任务的分类、分割和轮廓回归，提高分类和分割的准确度，实现更加准确的血肿分割，同时确定血肿类型。
附图说明
[0017]图1为本专利技术多任务深度学习模型结构示意图；
[0018]图2为本专利技术特征金字塔单元结构示意图；
[0019]图3为本专利技术任务一致性模块结构示意图；
[0020]图4为本专利技术多尺度特征融合单元结构示意图。
具体实施方式
[0021]本实施例所述基于多任务的深度学习模型的血肿分割方法，包括如下步骤：
[0022](1)如图1所示，构建多任务深度学习模型，其中多任务深度学习模型包括两子模块和特征金字塔单元，两子模块中的第一模块用于实现步骤(2)分类和分割任务，第二模块用于实现步骤(3)分割和轮廓回归任务；特征金字塔单元设置在第一模块和第二模块之间，由于处于模型越深层的特征图越需要更大尺寸的感受野，且不会破坏底层提取的特征，将特征金字塔单元放置在下采样结束之后、上采样开始之前。
[0023]如图2所示特征金字塔单元结构为：拼接四个不同扩张率的卷积层，相当于变相结合不同感受野的特征图，然后使用卷积层聚合拼接特征信息，输入到注意力单元降低特征冗余，得到输出特征信息。图2中四个卷积层的扩张率Rate分别为1、2、4、8，输入图像尺寸的高、宽、通道数为H
×
W
×
C，x1‑
x4为四个卷积层输出图像，将四张图像特征信息进行聚合拼接然后输入到注意力单元，四个卷积层结构为3
×
3卷积、归一化和Relu激活函数，表示为Conv3
×
3+BN+ReLU；进行聚合的卷积层结构为1
×
1卷积、归一化和Relu激活函数，表示为Conv1
×
1+BN+ReLU。
[0024](2)获取脑CT样本图像，将脑CT样本图像作为输入，针对分类和分割任务对多任务深度学习模型进行训练，确定下采样部分。
[0025]割任务和分类任务之间通过任务一致性模块实现参数软共享；分类任务指将脑CT样本分成以下四类：基底节区血肿、非基底节区血肿、硬膜类血肿以及无血肿。
[0026](3)保持下采样部分不变，针对分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行训练，确定上采样部分。
[0027]分割任务和轮廓回归任务之间在编码阶段为硬共享，解码阶段通过任务一致性模块TCL实现软共享。任务一致性模块包括卷积单元和注意力单元，结构图如图3所示。
[0028]轮廓回归任务中使用多尺度特征融合单元，如图4所示，多尺度特征融合单元通过最近邻法上采样将多尺度的数据信息调整为维数长和宽相同的数据，然后通过卷积层聚合拼接特征信息，再通过1
×
1卷积、归一化和Relu激活函数输出数据至注意力单元。
[0029](4)针对分类、分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行整体训练。
[0030]由于血肿数据集正负样本比例失衡，设计适合损失函数至关重要，通过多次实验发现，当Dice和Focal损失函数的比例为10:1时分割效果最好，既可以解决正负样本类别数量不均衡问题，又可以解决难易分样本问题。其中，Focal损失中权重系数设置为0.75，最终的损失函数形式为
[0031]Loss
seg
(p
t
)＝10
×
DL(p
t
)+1
×
FL
weighted_binary
(p
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0032]其中，Dice损失函数为G为标签，P为预测结果，Focal损失函数为FL
weighted_binary
(p
t
)＝
‑
β
t
(1
‑...

【技术保护点】

【技术特征摘要】
1.基于多任务的深度学习模型的血肿分割方法，其特征在于，包括如下步骤：(1)构建多任务深度学习模型；(2)获取脑CT样本图像，将脑CT样本图像作为输入，针对分类和分割任务对多任务深度学习模型进行训练，确定下采样部分；(3)保持下采样部分不变，针对分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行训练，确定上采样部分；(4)针对分类、分割和轮廓回归任务，利用脑CT样本对多任务深度学习模型进行整体训练。2.根据权利要求1所述的血肿分割方法，其特征在于，步骤(1)多任务深度学习模型包括两子模块和特征金字塔单元，第一模块用于实现步骤(2)分类和分割任务，第二模块用于实现步骤(3)分割和轮廓回归任务；特征金字塔单元设置在第一模块和第二模块之间，用于下采样之后、上采样之前。3.根据权利要求2所述的血肿分割方法，其特征在于，所述特征金字塔单元结构为：拼接四个不同扩张率的卷积层，使用卷积层聚合...

【专利技术属性】
技术研发人员：刘奇，余南南，柯明池，杜泽聃，吕娟，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：