申请/专利权人：西安电子科技大学

申请日：2020-11-18

公开（公告）日：2024-02-09

公开（公告）号：CN112419348B

主分类号：G06T7/13

分类号：G06T7/13;G06T7/12;G06T5/50;G06T3/4007;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2021.03.16#实质审查的生效;2021.02.26#公开

摘要：本发明公开了一种基于多任务学习边缘校正网络的男性盆腔CT分割方法，主要解决现有分割方法分割精度和效率较低的问题。其实现方案为：获取前列腺癌症病人的CT图像和医生手工勾画的器官标签和边缘标签，并划分训练数据集、验证数据集和测试数据集；构造一个包含残差子模块、边缘校正模块和特征融合模块的边缘校正分割子网络，并与一个用于定位的3DUNet网络串行连接，组成分割模型；使用训练数据集，利用自适应学习率优化算法对分割模型进行训练；将一例盆腔CT图像作为测试数据输入到训练好的分割模型中，得到测试图像的器官分割结果和边缘分割结果。本发明提升了盆腔CT中器官分割的精度和效率，可用于盆腔CT中器官的自动化分割。

主权项：1.基于多任务学习边缘校正网络的男性盆腔CT分割方法，其特征在于，包含如下：1获取前列腺癌症病人的计算机断层扫描CT数据和医生手工勾画的器官标签和边缘标签，采用双线性插值方法将CT数据变换到同一空间分辨率，并随机按照3:1:1的比例划分CT数据集的训练样本集，验证样本集和测试样本集；2搭建边缘校正分割子网络BR-Seg-Net：2a串行连接3个残差子模块RES组成边缘解码路径，将边缘解码路径添加到现有的3DRes-UNet网络中，该边缘解码路径与3DRes-UNet网络中语义解码路径中的第一个残差子模块RES相连，构成边缘校正分割子网络BR-Seg-Net的网络框架；2b向边缘校正分割子网络BR-Seg-Net中的每个残差子模块RES中添加空间注意模块和通道注意模块；2c构建边缘校正模块BR，并将该边缘校正模块BR与边缘校正分割子网络BR-Seg-Net中语义解码路径和边缘解码路径中的残差子模块RES相连接；2d构建特征融合模块FFM，并使用该特征融合模块FFM对边缘校正分割子网络BR-Seg-Net中语义解码路径中残差子模块RES的输出和边缘解码路径的输出进行融合，完成边缘校正分割子网络BR-Seg-Net的搭建；3使用现有的3DUNet网络对CT图像中左、右侧股骨进行定位，提取边缘校正分割子网络BR-Seg-Net的输入，实现如下：3a将CT图像I输入到3DUNet网络中，得到CT图像I中左侧股骨中心位置Xl,Yl,Zl和右侧股骨中心位置Xr,Yr,Zr；3b根据左、右侧股骨中心位置，得到边缘校正分割子网络BR-Seg-Net的输入I'：I'＝I[S2-80:S2+80,D2-72:D2+72,t-40:t+40]t＝Zr-Zl2+Zl其中，S和D为CT图像I的长和宽，Zl为左侧股骨的轴向中心坐标，Zr为右侧股骨的轴向中心坐标；4将3DUNet网络与边缘校正分割子网络BR-Seg-Net串行连接，搭建成基于多任务学习边缘校正网络的男性盆腔CT分割模型MTBR-Net，使用均匀分布初始化分割模型MTBR-Net的权重W，将分割模型MTBR-Net的偏置b均初始化为数值0；5用CT影像数据训练样本集训练基于多任务学习边缘校正网络的男性盆腔CT分割模型MTBR-Net：5a打乱训练数据集中图像的顺序，从中选择单个盆腔CT图像及其器官标签和边缘标签，记为一个训练批次{T,GO,GE}，其中T为一个训练批次中的CT图像，GO、GE为与T对应的器官标签和边缘标签；5b将盆腔CT图像T输入到分割模型MTBR-Net中，经过分割模型MTBR-Net的前向传播，得到CT图像T对应的器官分割结果PO和边缘分割结果PE，计算器官分割结果PO与器官标签GO之间的损失Lloc，及器官分割结果PO、边缘分割结果PE与器官标签GO、边缘标签GE之间的损失Lseg，得到分割模型MTBR-Net的损失函数L＝Lloc+Lseg；5c设初始学习速率η＝0.001，使用自适应学习率优化算法Adam优化分割模型MTBR-Net的损失函数L，更新分割模型MTBR-Net的权重W和偏置b；5d重复5a到5c，直到连续50轮重复迭代损失函数L没有降低，则停止训练，得到训练后的分割模型MTBR-Net；6将CT测试样本集输入到训练后的男性盆腔CT分割模型MTBR-Net中，得到所获取的CT测试样本集的器官分割结果和边缘分割结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于多任务学习边缘校正网络的男性盆腔CT分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD