一种用于淋巴瘤PET图像3D分割任务的神经网络模型制造技术

本发明专利技术公开了一种用于淋巴瘤PET图像3D分割任务的神经网络模型，该神经网络模型基于一个五层的“U”型编码器

【技术实现步骤摘要】
一种用于淋巴瘤PET图像3D分割任务的神经网络模型


[0001]本专利技术涉及一种用于淋巴瘤PET图像3D分割任务的神经网络模型。

技术介绍

[0002]淋巴瘤是一种起源于淋巴造血系统淋巴细胞的恶性肿瘤，根据世界卫生组织的统计，近二十年来淋巴瘤每年的发病率快速增长，每年增长幅度约为5％。目前，淋巴瘤已经成为中国最常见的十大恶性肿瘤之一。其主要可以分为两大类：非霍奇金淋巴瘤(NHL)、霍奇金淋巴瘤(HL)，其中非霍奇金淋巴瘤的发病率远高于霍奇金淋巴瘤，约占总体淋巴瘤患者的90％。非霍奇金淋巴瘤都源于B细胞的病变，可细分为弥漫大B细胞淋巴瘤、滤泡性淋巴瘤、套细胞淋巴瘤。弥漫大B细胞淋巴瘤属于侵袭性淋巴瘤，发病率占非霍奇金淋巴瘤的31％
‑
34％，在亚洲地区国家甚至高于40％。其不仅复发性高，并且50％的患者为难治性，患者的治疗预后非常严峻。SCHOLAR
‑
1研究结果表明，复发、难治性弥漫大B细胞淋巴瘤患者的临床缓解率仅有26％，中位生存率仅6.3个月。
[0003]淋巴系统遍布人体各个部位，不同部位的淋巴瘤病症不同，并且淋巴瘤分型非常复杂，多达80多种亚型，这导致了淋巴瘤患者确诊周期长、误诊率高，严重影响患者的治疗。对于不同亚型的淋巴瘤，无论是治疗强度还是预后都有很大的差异，因此临床上必须准确诊断淋巴瘤。传统的淋巴瘤诊断，最准确的往往是通过病理学检查的方式，由医生通过显微镜观察患者的组织样本切片进行诊断，费时且依赖医生的经验与状态。随着医学影像技术的发展，正电子发射断层扫描(Positron Emission Tomography，PET)、电子计算机断层扫描(Computed Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)等影像技术广泛用于医疗诊断中，其中正电子发射断层扫描(PET)成为了诊断、定位淋巴瘤的主要手段之一。
[0004]在PET图像中，人体内肿瘤细胞的新陈代谢活跃远超正常细胞，会吸收大量被标记的代谢物的原理，可通过标准化摄取值(SUV)，即PET图像上的亮度的高低来判断标记物质浓度的高低，区分病变区域。然而由于PET图像的分辨率低且为灰度图像，并且淋巴瘤具有大小、形状、位置、数量的随机性，以及一些人体正常组织的干扰等因素，都给医生精确分割淋巴瘤区域造成干扰，传统使用人工定位、分割淋巴瘤的方法不仅大量的消耗医生的时间和精力，并且存在很多主观因素，医生的经验、状态都会对分割结果造成影响，导致误诊或漏诊。
[0005]无论是病理学检查还是PET图像的观察，对淋巴瘤的诊断都依赖于医生的经验以及状态，减少主观因素带来的误诊、漏诊，是提高淋巴瘤诊断准确性的关键。近年来，随着基于深度学习(Deep Learning)的分割算法的快速发展，其高度自动化、分割效果显著的特点，为医学图像全自动分割与诊断创造了新的可能。
[0006]在Long等人提出的FCN模型中，使用卷积代替全连接层，并使用反卷积将特征图映射为原图大小，首次实现了端到端的全自动分割；Badrinarayanan等人在FCN的基础上提出了SegNet模型，提出了编码器
‑
解码器的对称网络结构，并使用空洞卷积扩大视野域，提升
分割精度；Ronneberger等人针对医学图像分割问题提出了编码器
‑
解码器结构的u
‑
net网络，在生物医学图像集上取得了显著的分割效果。Cicek等人在u
‑
net网络的基础上，将2D操作替换为3D操作，提出3DUnet网络，实现u
‑
net模型的3D分割，并在非洲爪蟾肾脏数据集上进行分割测试，3倍交叉实验中平均IoU(Intersection over Union)高达0.863；Milletari等人提出VNet网络，不仅将u
‑
net模型从2D推广到3D，还结合了残差模块，并使用Dice Loss高效地完成了前列腺MRI分割任务；Zhou等人基于受深度监督的编码器
‑
解码器网络，提出UNet++网络，重新设计横向连接路径，整合不同层次的特征以提升精度；Isensee等人提出nnU
‑
net网络，自动适应任意数据集，实现较优的u
‑
net架构分割，实验表明，nnU
‑
net不需要手动调参就可以自适应、高性能的完成任何新的3D分割任务，具备强大的泛化性。
[0007]上述方法中，编码器
‑
解码器的u
‑
net架构在数据量小、语义单一的生物医学图像分割任务中取得较高的分割精度，并且3DUnet实现了u
‑
net架构的3D分割、VNet融合了残差模块的3D u
‑
net、nnU
‑
net不需要手动调参就可以自适应高性能地完成任何新的3D分割任务，但是本文研究的淋巴瘤PET图像存在淋巴瘤大小、形状、位置、数量的随机性，导致淋巴瘤3D分割任务在现有的3DUnet、VNet、nnU
‑
net模型中没有达到理想的分割精度。UNet++融合不容层次的特征虽然在一定程度上提升了分割精度，但是模型复杂高，不适合淋巴瘤PET的特性。

技术实现思路

[0008]本专利技术的主要目的是提供一种用于淋巴瘤PET图像3D分割任务的神经网络模型，以在有限的GPU内存下，提高淋巴瘤的分割准确率。
[0009]为实现上述目的，本专利技术提供了一种用于淋巴瘤PET图像3D分割任务的神经网络模型，所述神经网络模型基于U型编码器
‑
解码器结构，所述U型编码器
‑
解码器结构具有五层，每一层的编码部分都包括循环残差卷积模块和多尺度卷积模块，所述循环残差卷积模块用于对输入图像进行编码，所述多尺度卷积模块用于对编码器输出的特征图像进行特征增强，相邻两层编码器之间通过最大池化层和上采样层进行连接，所述最大池化层用于压缩特征和简化网络，所述上采样层用于提高高级抽象特征图像分辨率和数据增强，便于与所述多尺度卷积模块增强过的低级表层特征高分辨率图像进行特征融合。每一层都包含解码器部分，所述解码器用于解码特征融合后的编码图像。
[0010]作为本专利技术的进一步改进，述循环残差卷积模块包括一层循环残差卷积层和一层3
×3×
3的卷积层，所述循环残差卷积层由一层3
×3×
3的卷积层结合残差模块循环卷积两次组成。
[0011]作为本专利技术的进一步改进，所述多尺度卷积模块有4层，第一层由一层1
×1×
1的卷积层、1
×1×
1的卷积层和卷积核为3
×3×
3、扩张率为1的空洞卷积组成；第二层由一层1
×1×
1的卷积层、3
×3×
3的卷积层和卷积核为3
×3×
3、扩张率为2的空洞卷积组成；第三层由一层1...

【技术保护点】

【技术特征摘要】
1.一种用于淋巴瘤PET图像3D分割任务的神经网络模型，其特征在于：所述神经网络模型基于U型编码器
‑
解码器结构，所述U型编码器
‑
解码器结构具有五层，每一层的编码部分都包括循环残差卷积模块和多尺度卷积模块，所述循环残差卷积模块用于对输入图像进行编码，所述多尺度卷积模块用于对编码器输出的特征图像进行特征增强；相邻两层编码器之间通过最大池化层和上采样层进行连接，所述最大池化层用于压缩特征和简化网络，所述上采样层用于提高高级抽象特征图像分辨率和数据增强，便于与所述多尺度卷积模块增强过的低级表层特征高分辨率图像进行特征融合；每一层都包含解码器部分，所述解码器用于解码特征融合后的编码图像。2.根据权利要求1所述的神经网络模型，其特征在于：所述循环残差卷积模块包括一层循环残差卷积层和一层3
×3×
3的卷积层，所述循环残差卷积层由一层3
×3×
3的卷积层结合残差模块循环卷积两次组成。3.根据权利要求1所述的神经网络模型，其特征在于：所述多尺度卷积模块有4层，第一层由一层1
×1×
1的卷积层、1
×1×
1的卷积层和卷积核为3
×3×
3、扩张率为1的空洞卷积组成；第二层由一层1
×1×
1的卷积层、3
×3×
3的卷积层和卷积核为3
×3×
3、扩张率为2的空洞卷积组成；第三层由一层1
×1×
1的卷积层、5
×5×
5的卷积层和卷积核为3
×3×
3、扩张率为4的空洞卷积组成；第二层由一层1
×1×
1的卷积层、7
×7×
7的卷积层和卷积核为3
×3×
3、扩张率为8的空洞卷积组成。4.根据权利要...

【专利技术属性】
技术研发人员：陈建新，闵代勇，李昂，周亮，魏昕，翟威，许景艳，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：