[发明专利]基于多尺度特征金字塔的3D CNN鼻咽癌分割方法有效
申请号: | 201810907208.X | 申请日: | 2018-08-09 |
公开(公告)号: | CN109063710B | 公开(公告)日: | 2022-08-16 |
发明(设计)人: | 李孝杰;郭峰;史沧红;吕建成;吴锡;何嘉;伍贤宇;罗超;张宪;刘书樵;李俊良 | 申请(专利权)人: | 成都信息工程大学 |
主分类号: | G06V10/26 | 分类号: | G06V10/26;G06V10/82;G06N3/04 |
代理公司: | 北京元本知识产权代理事务所(普通合伙) 11308 | 代理人: | 常桑 |
地址: | 610225 四川省成都*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 尺度 特征 金字塔 cnn 鼻咽癌 分割 方法 | ||
1.一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法,其特征在于,包括以下步骤:
步骤1:收集若干例患鼻咽癌的病例,采集其鼻咽部位三维MRI图像数据;
步骤2:对所述MRI图像数据进行标准化预处理;
步骤3:对于病变区域逐层进行人工边缘标注,作为标签数据;
步骤4:构建带多尺度特征金字塔的三维卷积神经网络,使用步骤2中预处理后的MRI图像数据进行训练,该网络由三个下采样阶段和三个上采样阶段构成,每个下采样阶段由一个跳跃连接的残差块和一个特征金字塔组成,该残差块由两个卷积块和一个分步卷积块组成,每个卷积块包含一个卷积层,一个批量归一化层和一个激活函数层,然后进行逐元素相加,将原始特征与分步卷积块的特征映射进行融合,最后连接一个带三个不同扩张率的空洞卷积组成的特征金字塔,在上采样阶段,每进行一次上采样,将输出的特征映射尺寸扩大为原始的一倍,并输出一个辅助分割预测,最后将三个的辅助分割预测进行融合产生最终的分割预测结果,最后连接Softmax;
步骤5:对于待分割的鼻咽部位三维MRI图像数据,采集同部位同样模态的医学图像,使用步骤2的方法对采集的图像进行标准化预处理;
步骤6:通过步骤4训练得到的三维卷积神经网络,对步骤5中预处理后的三维MRI图像数据进行分割。
2.根据权利要求1所述的基于多尺度特征金字塔的3D CNN鼻咽癌分割方法,其特征在于,所述对MRI图像数据进行标准化预处理,包括以下步骤:
步骤2.1:在所述三维MRI图像数据中选择包含鼻咽肿瘤的颈部以上的头部图像;
步骤2.2:对步骤2.1中选择的头部图像进行重新采样至预设分辨率;
步骤2.3:在重新采样后的图像中定位肿瘤位置,并将重新采样后的图像裁剪成预定尺寸。
3.根据权利要求1所述的基于多尺度特征金字塔的3D CNN鼻咽癌分割方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1:接收训练样本,所述训练样本为带有标签数据的标准化预处理后的MRI图像数据;
步骤4.2:根据步骤4.1训练样本的数量,采用五折交叉验证,确定每次交叉验证使用80%病人的MRI图像数据做训练样本,20%病人的MRI图像数据做测试样本,初始化卷积层和反卷积层中卷积核权重;
步骤4.3:每次输入一例MRI图像数据到步骤4中的卷积神经网络中的输入层;
步骤4.4:通过前向传播对三维卷积神经网络进行训练,最后通过Softmax分类器,输出鼻咽癌的概率图;
步骤4.5:利用杰卡德相似度,计算步骤4.4输出的鼻咽癌的概率图与步骤2的标签数据的误差:
步骤4.6:基于步骤4.5计算的误差,优化卷积核和反卷积核的权重;
步骤4.7:重复步骤4.3-步骤4.6,迭代若干次。
4.根据权利要求3所述的基于多尺度特征金字塔的3D CNN鼻咽癌分割方法,其特征在于,所述步骤4.5具体为:
其中,Jacc是步骤4.4输出的鼻咽癌的概率图与步骤2的标签数据的误差,PT是预测结果P和真实标签T的元素乘积,||X||2是X的L2-范数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于成都信息工程大学,未经成都信息工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810907208.X/1.html,转载请声明来源钻瓜专利网。