一种基于深度学习的多目标危及器官的自动分割方法、装置及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110070546A(43)申请公布日2019.07.30(21)申请号201910313994.5(22)申请日2019.04.18(71)申请人山东师范大学地址250358山东省济南市长清区大学科技园大学路1号(72)发明人李登旺赵承倩吴敬红孔问问刘英超虞刚陆华刘丹华薛洁黄浦(74)专利代理机构济南圣达知识产权代理有限公司37221代理人杨哲(51)Int.Cl.G06T7/11(2017.01)G06T7/12(2017.01)G06N3/04(2006.01)权利要求书2页说明书7页附图1页(54)发明名称一种基于深度学习的多目标危及器官的自动分割方法、装置及系统(57)摘要本发明公开了一种基于深度学习的多目标危及器官自动分割方法、装置及系统，该方法包括：接收患者输入图像；将患者输入图像进行格式转换，转换为JPEG格式数据；将JPEG格式数据输入根据物理师手工分割结果训练的Overfeat定位检测网络，自动选取包含多目标危及器官的感兴趣区；将自动选取的感兴趣区输入FCN初始化分割网络，进行轮廓推断；将轮廓推断得到的初始边界轮廓和接收的人工标记边界进行坐标化，映射到输入图像，提取DAISY特征，得到DAISY特征图像；将DAISY特征图像输入根据物理师手工分割结果训练的深度信念网络，得到危及器官的精确分割边界，即分割结果。CN110070546ACN110070546A权利要求书1/2页1.一种基于深度学习的多目标危及器官自动分割方法，其特征在于，该方法包括：接收患者输入图像；将患者输入图像进行格式转换，转换为JPEG格式数据；将JPEG格式数据输入根据物理师手工分割结果训练的Overfeat定位检测网络，自动选取包含多目标危及器官的感兴趣区；将自动选取的感兴趣区输入FCN初始化分割网络，进行轮廓推断；将轮廓推断得到的初始边界轮廓和接收的人工标记边界进行坐标化，映射到输入图像，提取DAISY特征，得到DAISY特征图像；将DAISY特征图像输入根据物理师手工分割结果训练的深度信念网络，得到危及器官的精确分割边界，即分割结果。2.如权利要求1所述的一种基于深度学习的多目标危及器官自动分割方法，其特征在于，在该方法中，所述患者输入图像为患者MRT1平扫序列数据；所述患者MRT1平扫序列数据为DICM格式数据。3.如权利要求1所述的一种基于深度学习的多目标危及器官自动分割方法，其特征在于，在该方法中，所述自动选取包含多目标危及器官的感兴趣区的具体步骤包括：以物理师手工分割结果中的脑干和眼球为标签；接收人工标记边界根据物理师手工分割结果的Overfeat定位检测网络选取同时包含多目标危及器官的感兴趣区，所述人工标记边界为定位脑干的中心，添加左右眼球为约束，以三者的中心坐标为边界，所述多目标危及器官包括视交叉、视神经和脑干；将包含多目标危及器官的感兴趣区进行尺寸归一化处理。4.如权利要求1所述的一种基于深度学习的多目标危及器官自动分割方法，其特征在于，在该方法中，所述进行轮廓推断的具体步骤包括：将自动选取的感兴趣区输入FCN初始化分割网络；通过FCN初始化分割网络的全卷积层在输出端得到密集的预测，即每个像素所属的类别，推断出危及器官的大致轮廓。5.如权利要求1所述的一种基于深度学习的多目标危及器官自动分割方法，其特征在于，在该方法中，所述得到危及器官的精确分割边界的具体步骤包括：采用深度信念网络通过整体回归输入和整体回归输出的方式进行精确分割，即使用完整DAISY特征图像作为输入，以物理师手工分割结果的危及器官的边界点坐标作为标签，同时回归所有边界点。所述深度信念网络的回归输出为危及器官的边界。6.如权利要求1所述的一种基于深度学习的多目标危及器官自动分割方法，其特征在于，该方法还包括接收物理师的手术计划系统反馈的鉴定与修正后的最终分割结果，进行网络优化。7.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-6任一项所述的一种基于深度学习的多目标危及器官自动分割方法。8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-6任一项所述的一种基于深度学习的多目标危及器官自动分割方法。2CN110070546A权利要求书2/2页9.一种基于深度学习的多目标危及器官自动分割装置，其特征在于，基于如权利要求1-6任一项所述的一种基于深度学习的多目标危及器官自动分割方法，包括：数据采集模块，被配置为接收患者输入图像；数据转换模块，被配置为将患者输入图像进行格式转换，转换为JPEG格式数据；感兴趣区