使用深度降低卷积神经网络进行图像分割和分类的系统和方法与流程

技术特征：
1.一种方法，所述方法包括：接收具有第一尺寸的图像；对所述图像进行下采样以产生预定尺寸的下采样图像，其中所述预定尺寸小于所述第一尺寸；将所述下采样图像馈送到卷积神经网络(cnn)，其中所述cnn的第一卷积层包括多个第一卷积滤波器，所述多个第一卷积滤波器中的每一个具有大于阈值感受野尺寸的感受野尺寸；使用所述多个第一卷积滤波器识别所述下采样图像的一个或多个解剖结构；以及使用所述cnn的一个或多个后续层将所述一个或多个解剖结构映射成分割图或图像分类。2.根据权利要求1所述的方法，其中所述感受野尺寸阈值为所述预定尺寸的5％至100％。3.根据权利要求1所述的方法，其中所述预定尺寸小于所述第一尺寸的50％。4.根据权利要求1所述的方法，其中所述多个第一卷积滤波器的第一数目在100至3000的范围内(包括端值在内)，或者为两者间的任何整数。5.根据权利要求1所述的方法，其中所述一个或多个后续层中的每一个均不具有小于所述预定尺寸的输入尺寸。6.根据权利要求1所述的方法，其中所述图像包括成像对象的解剖区域的二维成像数据，并且所述阈值感受野尺寸为感受野面积阈值。7.根据权利要求1所述的方法，其中所述图像包括成像对象的解剖区域的三维成像数据，并且所述阈值感受野尺寸为感受野体积阈值。8.根据权利要求1所述的方法，其中对所述图像进行下采样包括确定所述第一尺寸与所述预定尺寸的比率、以及基于所述第一尺寸与所述预定尺寸的比率动态地确定下采样比率。9.根据权利要求1所述的方法，其中所述图像分类包括所述图像的标准视图的指示，所述方法还包括：基于所述标准视图选择图形用户界面(gui)；以及经由显示设备显示所述gui。10.根据权利要求1所述的方法，其中所述图像包括医学图像，所述医学图像包括所关注的解剖区域，并且其中所述分割图包括所述受关注的解剖区域的分割图。11.根据权利要求10所述的方法，其中所述阈值感受野尺寸包括阈值面积或体积，并且其中所述阈值面积或体积大于所述下采样图像中所述受关注的解剖区域所占面积或体积的20％。12.一种图像处理系统，所述图像处理系统包括：存储器，所述存储器存储卷积神经网络(cnn)和指令；和处理器，其中所述处理器能够通信地耦接到所述存储器并且在执行所述指令时被配置为：接收第一尺寸的二维图像或三维图像；基于所述第一尺寸和预定尺寸来确定下采样比率；
利用所述下采样比率对所述图像进行下采样以产生所述预定尺寸的下采样图像，其中所述预定尺寸小于所述第一尺寸；将所述下采样图像馈送到cnn，其中所述cnn的第一卷积层包括多个第一卷积滤波器，所述多个第一卷积滤波器中的每一个具有大于阈值尺寸的感受野尺寸；使用所述多个第一卷积滤波器识别所述下采样图像的一个或多个解剖结构；以及使用所述cnn的一个或多个后续层将所述一个或多个解剖结构映射成输出，其中所述一个或多个后续层中的每一个均不包括池化操作。13.根据权利要求12所述的图像处理系统，其中所述输出包括所关注的解剖区域的分割图，并且其中当执行所述指令时，所述处理器被进一步配置为：对所述分割图进行上采样以产生所述第一尺寸的上采样分割图；以及基于在所述受关注的解剖区域的边界的阈值距离内的所述图像的强度值来细化所述上采样分割图的边界，从而产生细化的分割图。14.根据权利要求13所述的图像处理系统，所述图像处理系统还包括显示设备，并且其中当执行所述指令时，所述处理器被进一步配置为：经由所述显示设备显示所述细化分割图。15.根据权利要求12所述的图像处理系统，其中所述输出包括图像分类，所述图像分类指示所述图像所属的标准视图的有限列表的标准视图。16.一种方法，所述方法包括：接收包括所关注的解剖区域的医学图像，其中所述医学图像具有第一尺寸；基于所述第一尺寸和预定尺寸来确定下采样比率；利用所述下采样比率对所述医学图像进行下采样以产生所述预定尺寸的下采样图像，其中所述预定尺寸小于所述第一尺寸的50％；将所述下采样图像馈送到卷积神经网络(cnn)，其中所述cnn的第一卷积层包括多个第一卷积滤波器，所述多个第一卷积滤波器中的每一个具有感受野，所述感受野被配置为从所述下采样图像的预定分数接收数据，其中所述预定分数是所述下采样图像的面积或体积的5％至100％；使用所述多个第一卷积滤波器识别所述下采样图像的一个或多个特征；以及使用所述cnn的一个或多个后续层将所述一个或多个特征映射成输出。17.根据权利要求16所述的方法，其中所述输出包括所述受关注的解剖区域的二维分割图或三维分割图，所述方法还包括：对所述分割图进行上采样以产生上采样分割图；细化所述上采样分割图中的所述受关注的解剖区域的边界以产生细化分割图；以及基于所述细化分割图确定所述受关注的解剖区域的长度、宽度、形状和取向中的一者或多者。18.根据权利要求17所述的方法，其中对所述上采样分割图中的所述受关注的解剖区域的边界的细化包括：沿穿过且基本上垂直于所述受关注的解剖区域的边界的多条线确定所述医学图像的多个强度分布图；以及基于所述多个强度分布图更新所述上采样分割图中的所述受关注的解剖区域的边界
的位置。19.根据权利要求18所述的方法，其中基于所述多个强度分布图更新所述上采样分割图中的所述受关注的解剖区域的边界的所述位置包括：使用经训练的神经网络将所述多个强度分布图中的每一个映射到对应的边界位置；以及将沿所述多条线中的每一条线的所述边界的位置更新为所述对应的边界位置。20.根据权利要求17所述的方法，其中对所述上采样分割图中的所述受关注的解剖区域的边界的细化包括：将所述医学图像划分成多个子区域，其中所述多个子区域中的每一个子区域均包括所述受关注的解剖区域的边界的一部分；使用第二经训练的卷积神经网络将所述多个子区域中的每一个子区域映射成对应的分割图；以及基于所述对应的分割图更新在所述多个子区域中的每一个子区域内的所述边界的位置。

技术总结
本发明题为使用深度降低卷积神经网络进行图像分割和分类的系统和方法。本发明提供了使用卷积神经网络(CNN)进行图像分割和/或分类的方法和系统。在一个实施方案中，一种方法包括：接收具有第一尺寸的图像，对该图像进行下采样以产生预定尺寸的下采样图像，其中预定尺寸小于第一尺寸，将下采样图像馈送到CNN，其中CNN的第一卷积层包括多个第一卷积滤波器，该多个第一卷积滤波器中的每一个具有大于阈值感受野尺寸的感受野尺寸，使用多个第一卷积滤波器识别下采样图像的一个或多个解剖结构；以及使用CNN的一个或多个后续层将一个或多个解剖结构映射成分割图或图像分类。以这种方式，可显著减少经训练的CNN的编码层的数目。可显著减少经训练的CNN的编码层的数目。可显著减少经训练的CNN的编码层的数目。


技术研发人员：里蒙
受保护的技术使用者：通用电气精准医疗有限责任公司
技术研发日：2021.05.17
技术公布日：2021/12/7