[发明专利]基于深度学习的胆结石自动识别及分割系统、计算机设备、存储介质

权利要求书

1.一种基于深度学习的胆结石自动识别与分割系统，其特征在于，包括目标检测与目标分割模型，所述目标检测与目标分割模型包括：特征提取网络，以及两个分支网络包括目标检测网络和目标分割网络，首先利用特征提取网络对输入的腹部CT图像进行卷积池化等操作特征提取；将提取的特征图利用目标检测网络进行回归以及分类，输出胆结石的位置与概率；同时，图像分割网络利用反卷积将卷积和池化的特征图进行上采样，将图像恢复到原图像大小，并最终得到胆结石的分割后的轮廓，即掩膜，可以清晰地定量分析胆结石的大小及形状等特征。

2.如权利要求1所述的系统，其特征在于，所述的目标检测网络中候选区生成器的对特征提取后的特征图进行筛选，生成胆结石的候选区域的步骤，其具体包括：将经过特征提提取网络后的特征图设定预定个数的候选区域，从而获取特定个数的候选区域，将这些候选区域送入区域候选网络进行二值分类(即前景和后景)和限定框回归(BB回归)，过滤掉一部分候选区域，对剩下的候选区域进行ROIAlign操作，即把原图的特征图与像素对应起来。

3.如权利要求1所述的系统，其特征在于，所述的目标分割网络即对腹部CT图像的每个像素点进行分类，确定每个点所属的类别，目标分割网络作为一个分支连接到特征提取网络之后，主要进行反卷积操作，形成一个U形网络，其具体包括：特征提取网络后得到的特征图反卷积进行上采样，与裁剪之前的低层特征图，进行融合；然后再次上采样。重复这个过程，直到获得输出与原图大小相同的特征图，最后经过归一化指数函数后获得最终的输出特征图，即每个像素的分类结果。

4.如权利要求3所述的系统，其特征在于，使用视觉注意力机制提升目标分割的能力，模拟医生检查CT图像时的习惯，将注意力主要集中在病灶常发的部位，其核心思想在于在进行上采样的反卷积时对每个特征通道进行编码进行重要性学习，通过反向传播和梯度下降，经过不断的迭代优化调整通道的权重，对于影响结果越大的特征图进行加权处理，削弱对结果影响小的特征图。

5.如权利1所述的系统，其特征在于，对所述的特征提取网络使用ImageNet的预训练模型进行初始化，对所述的目标检测网络使用ImageNet的预训练模型进行初始化。

6.一种计算机设备，包括存储器，显卡，中央处理器，以及存储在所述存储器上的可被所述中央处理器以及显卡并行处理的可执行程序，器特征在于，所述中央处理器所执行所述程序时实现一下步骤：构建目标检测与目标分割模型，所述目标检测与目标分割模型包括：特征提取网络，以及两个分支网络包括目标检测网络和目标分割网络，首先利用特征提取网络对输入的腹部CT图像进行卷积池化等操作特征提取；将提取的特征图利用目标检测网络进行回归以及分类，输出胆结石的位置与概率；同时，图像分割网络利用反卷积将卷积和池化的特征图进行上采样，将图像恢复到原图像大小，并最终得到胆结石的分割后的轮廓，即掩膜，可以清晰地定量分析胆结石的大小及形状等特征。

7.如权利要求7所述的计算机设备，其特征在于，特征提取网络使用跳跃金字塔模块对胆结石CT图像的特征进行多尺度提取，其核心思想在于使用多个不同大小的卷积核对全局特征及精细特征进行提取，多个不同大小的卷积核进行并联，提取不同尺度特征后将所有特征图进行连接。

8.如权利要求7所述的计算机设备，其特征在于，目标分割网络即对腹部CT图像的每个像素点进行分类，确定每个点所属的类别，目标分割网络作为一个分支连接到特征提取网络之后，主要进行反卷积操作，形成一个U形网络，其具体包括：特征提取网络后得到的特征图反卷积进行上采样，与裁剪之前的低层特征图，进行融合；然后再次上采样。重复这个过程，直到获得输出与原图大小相同的特征图，最后经过归一化指数函数后获得最终的输出特征图，即每个像素的分类结果。