[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

说明书

本发明公开了一种基于W型网络结构的临床颞骨CT多结构提取方法及装置，其中，方法包括以下步骤：获取训练数据集；根据训练数据集训练W型神经网络结构模型；采集用户的当前数据，将当前数据输入至训练好的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。该方法可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于W型网络结构的临床颞骨CT多结构提取方法及装置。

背景技术

目前世界最先进的耳蜗CT提取方法为基于地图集的提取方法，该方法是一种基于micro-CT进行分割，并使用该分割结果与临床的低分辨率进行配准的方法。这种方法目前难以广泛推广，主要原因有以下几点：第一，这种方法需要micro-CT设备，价格远高于普通的CT设备，且扫描体积较小。第二，这种方法依赖于配准的精度，也就是说如果预先分割的模型与配准目标的形态结构差异较大，则分割精度会大大下降。即这种方法稳定性较差。第三，这种方法一次只能分割单一目标，无法对于多目标进行同时且高精度分割。

另外，目前神经网络在医学图像分割上的应用主要为二维与三维图像上的大型器官分割，而对于颞骨CT中的具有体积微小且形态复杂的结构还没有应用，有待解决。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于W型网络结构的临床颞骨CT多结构提取方法，该方法可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。

本发明的另一个目的在于提出一种基于W型网络结构的临床颞骨CT多结构提取装置。

为达到上述目的，本发明一方面实施例提出了一种基于W型网络结构的临床颞骨CT多结构提取方法，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；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。

本发明实施例的基于W型网络结构的临床颞骨CT多结构提取方法，通过使用少量数据集训练W型神经网络结构模型，可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。

另外，根据本发明上述实施例的基于W型网络结构的临床颞骨CT多结构提取方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，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：