一种基于深度学习的肝段分割方法及装置与流程

技术特征：
1.一种基于深度学习的肝段分割方法，其特征在于，包括以下步骤：将静脉期ct图像输入到第一卷积神经网络，通过下采样减小图像尺寸，输出第一阶段的肝段预分割结果；对第一阶段的肝段预分割结果进行上采样恢复到原始图像尺寸，并与原始输入ct图像一起对层维度进行滑窗处理后，共同输入到第二卷积神经网络进行进一步分割，输出第二阶段的肝段分割结果；对第二阶段的肝段分割结果进行包括最大联通域选取、补洞的后处理，得到最终分割结果。2.根据权利要求1所述的基于深度学习的肝段分割方法，其特征在于，在将ct图像输入到第一卷积神经网络之前，采用肝脏掩模切割肝脏部位，将平面分辨率为512*512像素*像素、层数大于100的原始ct图像缩放到32*320*320层*像素*像素，按照下面的公式将取值为[
‑
50,200]的ct值归一化为[0,1]：式中，为任一ct值x归一化后的ct值，x
min
、x
max
分别为归一化前ct值的最小值
‑
50和最大值200。3.根据权利要求2所述的基于深度学习的肝段分割方法，其特征在于，所述第一卷积神经网络包括卷积模块、上采样模块、下采样模块和残差模块，采用u型编码器
‑
解码器结构，输入ct数据经编码器的一个卷积模块后重复进行下采样和残差卷积，得到分辨率为4*10*10层*像素*像素的特征；再经解码器进行上采样和卷积恢复输入ct的分辨率32*320*320层*像素*像素；编码器和解码器之间通过远程连接恢复位置细节信息；解码器输出特征最后经过激活函数将肝段分为8类。4.根据权利要求3所述的基于深度学习的肝段分割方法，其特征在于，所述第二卷积神经网络采用整体结构与第一卷积神经网络相同的u型结构，所不同的是在u型网络的底部增加一个用于提取全局特征的nonlocal模块，大小为(b,c,d,w,h)的输入特征分别经过1个卷积核大小为1的卷积，得到通道减半大小均为(b,c/2,d,w,h)的3个特征a、b、c，将特征a、c分别调整成大小为(b*d*w*h，c/2)的特征a
′
、c
′
，将特征b调整成大小为(c/2，b*d*w*h)的特征b
′
，特征a
′
和特征b
′
相乘得到大小为(b*d*w*h，b*d*w*h)的矩阵，与特征c
′
相乘后得到大小为(b*d*w*h，c/2)的矩阵，调整大小到(b,c/2,d,w,h)，最后经过一个卷积核为1的卷积，输出大小为(b,c,d,w,h)的特征。5.根据权利要求1所述的基于深度学习的肝段分割方法，其特征在于，模型训练的损失函数为：l＝l
dice
l
cece
式中，l为损失函数，l
dice
为dice损失，l
ce
为ce损失，p为预测为肝段的像素点集合，g为
肝段真实掩模像素点集合，|p|、|g|分别表示集合p、g中的元素个数即像素点数量，|p∩g|为p和g的交集中的元素个数即预测结果与真实掩模重合部分的像素点数量，p
ki
为第i个像素点属于第k个肝段的概率，y
ki
为第i个像素点的第k个标签值，y
ki
＝0或1，k＝1,2,
…
,k，k为肝段数量，k＝8，i＝1,2,
…
,n，n为像素点个数。6.一种基于深度学习的肝段分割装置，其特征在于，包括：预分割模块，用于将静脉期ct图像输入到第一卷积神经网络，通过下采样减小图像尺寸，输出第一阶段的肝段预分割结果；精分割模块，用于对第一阶段的肝段预分割结果进行上采样恢复到原始图像尺寸，并与原始输入ct图像一起对层维度进行滑窗处理后，共同输入到第二卷积神经网络进行进一步分割，输出第二阶段的肝段分割结果；后处理模块，用于对第二阶段的肝段分割结果进行包括最大联通域选取、补洞的后处理，得到最终分割结果。7.根据权利要求6所述的基于深度学习的肝段分割装置，其特征在于，在将ct图像输入到第一卷积神经网络之前，采用肝脏掩模切割肝脏部位，将平面分辨率为512*512像素*像素、层数大于100的原始ct图像缩放到32*320*320层*像素*像素，按照下面的公式将取值为[
‑
50,200]的ct值归一化为[0,1]：式中，为任一ct值x归一化后的ct值，x
min
、x
max
分别为归一化前ct值的最小值
‑
50和最大值200。8.根据权利要求7所述的基于深度学习的肝段分割装置，其特征在于，所述第一卷积神经网络包括卷积模块、上采样模块、下采样模块和残差模块，采用u型编码器
‑
解码器结构，输入ct数据经编码器的一个卷积模块后重复进行下采样和残差卷积，得到分辨率为4*10*10层*像素*像素的特征；再经解码器进行上采样和卷积恢复输入ct的分辨率32*320*320层*像素*像素；编码器和解码器之间通过远程连接恢复位置细节信息；解码器输出特征最后经过激活函数将肝段分为8类。9.根据权利要求8所述的基于深度学习的肝段分割装置，其特征在于，所述第二卷积神经网络采用整体结构与第一卷积神经网络相同的u型结构，所不同的是在u型网络的底部增加一个用于提取全局特征的nonlocal模块，大小为(b,c,d,w,h)的输入特征分别经过1个卷积核大小为1的卷积，得到通道减半大小均为(b,c/2,d,w,h)的3个特征a、b、c，将特征a、c分别调整成大小为(b*d*w*h，c/2)的特征a
′
、c
′
，将特征b调整成大小为(c/2，b*d*w*h)的特征b
′
，特征a
′
和特征b
′
相乘得到大小为(b*d*w*h，b*d*w*h)的矩阵，与特征c
′
相乘后得到大小为(b*d*w*h，c/2)的矩阵，调整大小到(b,c/2,d,w,h)，最后经过一个卷积核为1的卷积，输出大小为(b,c,d,w,h)的特征。10.根据权利要求6所述的基于深度学习的肝段分割装置，其特征在于，模型训练的损失函数为：l＝l
dice
l
ce
式中，l为损失函数，l
dice
为dice损失，l
ce
为ce损失，p为预测为肝段的像素点集合，g为肝段真实掩模像素点集合，|p|、|g|分别表示集合p、g中的元素个数即像素点数量，|p∩g|为p和g的交集中的元素个数即预测结果与真实掩模重合部分的像素点数量，p
ki
为第i个像素点属于第k个肝段的概率，y
ki
为第i个像素点的第k个标签值，y
ki
＝0或1，k＝1,2,
…
,k，k为肝段数量，k＝8，i＝1,2,
…
,n，n为像素点个数。

技术总结
本发明提供一种基于深度学习的肝段分割方法及装置。所述方法包括：将静脉期CT图像输入到第一卷积神经网络，通过下采样减小图像尺寸，输出第一阶段的肝段预分割结果；对第一阶段的肝段预分割结果和原始输入CT图像一起对层维度进行滑窗处理后，共同输入到第二卷积神经网络进行进一步分割，输出第二阶段的肝段分割结果；对第二阶段的肝段分割结果进行后处理，得到最终分割结果。本发明基于深度学习自主学习影像中肝段的特征，不需要进行专门的血管分割步骤，相对现有技术降低了血管分割难度，简化了分割步骤，提高了鲁棒性。本发明在第一阶段粗分割的基础上进行第二阶段的细分割，可以获得明显的全局特征，并使分割结果更加准确。确。确。


技术研发人员：王淑欣 刘小青 俞益洲 李一鸣 乔昕 潘晶 应汉宁 蔡秀军
受保护的技术使用者：北京深睿博联科技有限责任公司 浙江大学
技术研发日：2021.07.21
技术公布日：2021/11/17