一种基于级联残差全卷积网络的胸腔多器官分割方法.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CN110874842A(43)申请公布日2020.03.10(21)申请号201910959385.7(22)申请日2019.10.10(71)申请人浙江大学地址310013浙江省杭州市西湖区余杭塘路866号(72)发明人吴健雷璧闻应豪超余柏翰(74)专利代理机构杭州天勤知识产权代理有限公司33224代理人胡红娟(51)Int.Cl.G06T7/11(2017.01)G06T3/40(2006.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书4页附图2页(54)发明名称一种基于级联残差全卷积网络的胸腔多器官分割方法(57)摘要本发明公开了一种基于级联残差全卷积网络的胸腔多器官分割方法，先用粗分割模型对各个器官进行一个粗略的分割，作用是定位各个器官的范围，然后，利用各个器官的单独细分割模型，对粗分割定位的区域，进行精细化的分割，得到各个器官的精细化分割结果，最后将结果合并，得到最终的多器官分割结果，分割结果保留了更多的细节。本发明在u-net的基础上进行改进，将残差连接以及特征维度的注意力机制引入u-net中的下采样模块，使得网络更易训练，且具有自动特征选择的能力。另外，我们引入了级联的策略，使用分阶段的分割网络，从而得到实现对胸腔CT多器官的快速，精准分割。CN110874842ACN110874842A权利要求书1/2页1.一种基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，包括粗分割阶段和细分割阶段，具体包括以下步骤：(1)获取原始的胸腔CT图像，设置窗位窗宽，并将其按照横断面切割，形成多张2d图片，作为粗分割阶段数据集；(2)搭建级联的残差全卷积分割网络，该分割网络以U-Net为基本骨架，采用四个下采样模块和四个上采样模块；对于其中的下采样模块，加入注意力机制；对于上采样模块，将低层特征和高层特征进行叠加、融合，并进行上采样；粗分割阶段和细分割阶段都使用该分割网络进行分割，但两者不共享权重，且输出通道数量不同；(3)将粗分割阶段数据集中2d图片的像素值进行标准化后，输入粗分割阶段的分割网络进行分割操作，得到2d分割结果，并将每个CT图像的所有切片的2d分割结果叠加，得到每个CT图像的3d分割结果；根据分割结果定位每个器官，保存每个器官的坐标范围；(4)根据各个器官的坐标范围，用长方体将每个器官从原始CT图像中裁剪出来，得到各个器官的子数据集，再设置不同的窗位窗宽，将这些器官的3d图像按照横断面进行切割，形成细分割阶段各器官的数据集；(5)利用粗分割阶段数据集和细分割阶段数据集训练粗分割阶段和细分割阶段的分割模型，直到模型收敛；其中，粗分割阶段采用一个分割模型同时对每个器官进行分割，细分割阶段中每个器官单独使用一个分割模型；细分割阶段对于每个器官得到的2d分割图像进行叠加得到3d分割图像，并根据各个器官的坐标范围，将各个器官的结果进行合并，得到最后的分割结果；(6)模型训练完毕后，根据粗分割阶段数据集和细分割阶段数据集的获取方法，分别对待分割的胸腔CT图像进行处理并输入训练好的分割模型中，得到分割结果。2.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(1)中，所述的窗位窗宽设置为窗位-500，窗宽1800。3.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，所述的下采样模块的结构为：首先使用一个最大池化模块对输入进行两倍下采样；然后经过两层卷积进行特征的学习；而后引出一个旁路作为注意力机制，用于学习特征的选择、提取，注意力机制学习到一个注意力向量，用于对特征进行加权；最后，将加权后的特征和最大池化模块后的残差输出进行加和得到注意力-残差模块的输出。4.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，四个上采样模块中，对于最后三个上采样模块的输出，使用标签对其进行监督，根据损失函数计算其损失，并将其加入最后模型的总损失中去；将最后一个上采样层的输出，输入一个滤波器尺寸为1*1，滑动步长为1*1的卷积层，用于特征维度的变换；将卷积之后的特征图，经过一个softmax层，得到最终的概率输出。5.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，所述下采样模块中的注意力机制包括残差连接和特征维度的至少一种。6.根据权利要求1所述的基于级联残差全卷积网络的胸腔多器官分割方法，其特征在于，步骤(2)中，所述上采样模块使用双线性插值或反卷积作为上采样操作。2CN110874842A权利要求书2/2页7.根据权利要求1所述的基于级联残差全卷积网络的胸腔多