基于深度监督集成学习的CT影像病灶分割方法、系统和设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115908438A(43)申请公布日2023.04.04(21)申请号202211514233.4(22)申请日2022.11.30(71)申请人华东交通大学地址330013江西省南昌市经济技术开发区双港东大街808号(72)发明人彭圆圆潘林(74)专利代理机构长沙市融智专利事务所(普通合伙)43114专利代理师熊开兰(51)Int.Cl.G06T7/10(2017.01)G06N3/045(2023.01)G06N3/09(2023.01)权利要求书1页说明书5页附图1页(54)发明名称基于深度监督集成学习的CT影像病灶分割方法、系统和设备(57)摘要本发明公开了一种基于深度监督集成学习的CT影像病灶分割方法、系统和设备，方法包括：获取若干数量已对肺部病灶分割标注的CT影像，对其进行数据增强，构建训练数据集；从预训练模型获取其模型参数，作为深度监督集成学习网络的初始参数；使用训练数据集对基于初始参数的深度监督集成学习网络进行训练，得到CT影像病灶分割模型；其中，所述深度监督集成学习网络包括多个不同的子网络，并由集成模块对各子网络输出的概率特征图进行集成；获取肺部病灶待分割的CT影像，使用训练得到的CT影像病灶分割模型进行肺部病灶分割。本发明可以结合局部和全局特征对肺炎病灶进行精准有效分割。CN115908438ACN115908438A权利要求书1/1页1.一种基于深度监督集成学习的CT影像病灶分割方法，其特征在于，包括：步骤1，获取若干数量已对肺部病灶分割标注的CT影像，对其进行数据增强，构建训练数据集；步骤2，从预训练模型获取其模型参数，作为深度监督集成学习网络的初始参数；步骤3，使用训练数据集对基于初始参数的深度监督集成学习网络进行训练，得到CT影像病灶分割模型；其中，所述深度监督集成学习网络包括多个不同的子网络，并由集成模块对各子网络输出的概率特征图进行集成；步骤4，获取肺部病灶待分割的CT影像，使用训练得到的CT影像病灶分割模型进行肺部病灶分割。2.根据权利要求1所述的CT影像病灶分割方法，其特征在于，对CT影像进行数据增强，包括对CT影像进行水平翻转、垂直翻转、旋转和/或缩放操作。3.根据权利要求1所述的CT影像病灶分割方法，其特征在于，所述预训练模型采用EfficientNet模型，使用ImageNet数据集训练EfficientNet模型得到模型参数。4.根据权利要求3所述的CT影像病灶分割方法，其特征在于，利用迁移学习策略和ImageNet数据集训练EfficientNet模型：使用ImageNet数据集中带人工标注的图像对EfficientNet模型进行训练；使用当前训练得到的EfficientNet模型，对ImageNet数据集中未标注的图像进行分割，得到未标注图像的伪标签；使用ImageNet数据集中带人工标注的图像和带伪标签的图像，共同重新训练EfficientNet模型，将此时EfficientNet模型的参数作为深度监督集成学习网络的初始参数。5.根据权利要求1所述的CT影像病灶分割方法，其特征在于，所述深度监督集成学习网络包括以下4个子网络：UNet、PAN、DeepLabv3+和FPN。6.根据权利要求1所述的CT影像病灶分割方法，其特征在于，所述集成模块使用枚举网格模型和深度监督集成学习网络的分割量化指标确定各子网络的加权系数。7.基于深度监督集成学习的CT影像病灶分割系统，其特征在于，包括：训练数据集构建模块，用于：对获取的若干数量的已对肺部病灶分割标注的CT影像进行数据增强，构建训练数据集；初始参数确定模块，用于：从预训练模型获取其模型参数，作为深度监督集成学习网络的初始参数；模型训练模块，用于：使用训练数据集对基于初始参数的深度监督集成学习网络进行训练，得到CT影像病灶分割模型；其中，所述深度监督集成学习网络包括多个不同的子网络，并由集成模块对各子网络输出的概率特征图进行集成；CT影像病灶分割模型模块，用于：对肺部病灶待分割的CT影像进行肺部病灶分割。8.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～6中任一项所述的方法。2CN115908438A说明书1/5页基于深度监督集成学习的CT影像病灶分割方法、系统和设备技术领域[0001]本发明属于医学图像分割领域，具体涉及一种基于深度监督集成学习的CT影像病灶分割方法、系统和设备。背景技术[0002]作为最有效的肺部成像模式之一，CT能够识别肺炎患者肺部病变和病理特征的变化。因此，大量研究人员设计了许多不同的深度学习模型，以协助临床医生在CT图像中快速诊断肺炎。单一的深度学习框