[发明专利]基于W型网络结构的临床颞骨CT多结构提取方法及装置

权利要求书

1.一种基于W型网络结构的临床颞骨CT多结构提取方法，其特征在于，包括以下步骤：

获取训练数据集；

根据所述训练数据集训练W型神经网络结构模型；以及

采集用户的当前数据，将所述当前数据输入至训练好的所述W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息；

在获取所述训练数据集之后，还包括：

根据拟合条件对所述训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理；

所述W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，

卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；

将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核；

还包括：

通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质，实现对W型神经网络结构模型的优化。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练数据集训练W型神经网络结构模型，包括：

采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；

将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练；

其中，在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：

loss＝loss_wce+loss_dice

其中，w_i为不同种类标签的权重，p_gt为真值，p_pred为预测值。

3.一种基于W型网络结构的临床颞骨CT多结构提取装置，其特征在于，所述装置用于实现如权利要求1所述的一种基于W型网络结构的临床颞骨CT多结构提取方法,所述装置包括：

获取模块，用于获取训练数据集；

训练模块，用于根据所述训练数据集训练W型神经网络结构模型；以及

提取模块，用于采集用户的当前数据，将所述当前数据输入至训练好的所述W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。

4.根据权利要求3所述的装置，其特征在于，还包括：

数据预处理模块，在获取所述训练数据集之后，用于根据拟合条件对所述训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理。

5.根据权利要求3所述的装置，其特征在于，所述W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，

卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；

将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核。