[发明专利]基于深度学习网络的纵隔淋巴引流区的自动勾画方法

权利要求书

1.一种基于深度学习网络的纵隔淋巴引流区的自动勾画方法，其适用于CT影像，其特征在于，所述自动勾画方法包括以下步骤：

步骤S1：采集CT图像数据和医生手工标注的纵隔淋巴引流区图像，并预处理所述CT图像数据和医生手工标注的所述纵隔淋巴引流区图像；

步骤S2：对预处理后的所述CT图像数据进行分组，得到训练集、验证集和测试集；

步骤S3：对所述训练集、所述验证集及所述测试集进行数据增强；

步骤S4：构建深度学习分割模型；所述步骤S4包括以下步骤：

步骤S41：构建分割模型的网络结构子模块，包括：第一，卷积操作2次和下采样1次，用来提取该模块的特征图，第二，构建上采样1次和卷积操作2次，用来恢复其原来的分辨率，并使用跳跃结构来融合不同尺度的特征图；其中本网络down模块使用三线性插值方法下采样，up模块使用的带空洞的反卷积模块上采样；

步骤S42：构建分割模型的网络结构注意力模块，包括：分别对所述注意力模块中的键值、特征值进行金字塔下采样，以减少大量计算，得到多尺度键值、特征值，再构建卷积操作，用来模拟键值和查询值之间的注意力关系，最后在所述注意力关系下查询被关注的特征图，所述注意力模块能够捕捉远距离像素依赖关系和提取多尺度金字塔的特征；参与计算的矩阵分别Q(Query)、K(Key)、V(Value)，为了加速图像注意力机制，Q值和V值经过了多尺度下采样操作；为了加速收敛，Q值和K值在计算相似之前经过了卷积操作；相似度计算函数不一样，我们相似度计算函数如下，以及

步骤S43：构建网络分割模型网络结构，重复利用提取所述步骤S41所述的网络结构子模块4次，以便能有较大感受野和充足的网络容量；在每次提取的所述网络结构子模块中插入所述步骤S42的所述注意力模块，以便网络提取远距离依赖关系，扩大网络感受野，同时所述注意力模块捕捉的多尺度信息能在每层都被有效提取特征；然后再重复利用恢复空间分辨率子模型4次；在每个模块之间使用短连接，以便网络可以更好的反向传播和特征融合；以及

步骤S5：将训练集中的所述CT图像数据和医生手工标注的所述纵隔淋巴引流区图像输入已经构建完的所述深度学习分割模型，训练迭代收敛后，保存纵隔淋巴引流区的分割模型，再进行所述纵隔淋巴引流区识别和预测，得到所述纵隔淋巴引流区的每个分区的概率图，所述步骤S5包括以下步骤：

步骤S51：大量病人经过所述步骤处理后，得到的数据增强图像输入到深度学习网络，在输入过程中，通过所述步骤S1至S3处理得到的肺部区域控制输入患者CT层数，减少输入非肺部区域，所述训练集的训练误差计算方法为：

L_loss＝L_IOU+a*L_AC，其中a是平衡因子；

其中N是指数据总量，p_i表示的是预测结果图像中第i个像素点，q_i表示的是金标图像中第i个像素点；

其中N是指数据总量，p_ij表示的是预测结果图像中第i行第j列像素点，n是像素总个数；

步骤S52：把所述数据增强图像随机按组随机输入网络，直到验证集上评价标准不再有大的波动，保存在验证集上表现好的模型，所述验证集的评价标准计算方法为：

其中N是指数据总量，p_i表示的是预测结果图像中第i个像素点，q_i表示的是金标图像中第i个像素点；

步骤S53：把所述测试集内病例按照所述步骤S1至S3处理后输入至已经训练完成的深度学习分割网络以获得N个分区，使用softmax函数将得到的所述N个分区的特征图转化成分割语义概率图，再使用固定阈值使所述概率图生成二值图像；以及

步骤S54：对所述N个分区进行相互关系评价，得到互相关系表，对每个分区进行矫正，如果某个分区不符合医生定义的勾画标准，则通过矫正程序处理该分区；如果某个分区和其他分区没有所述互相关系表中的关系，则也通过矫正程序处理该分区；直到所述N个分区都满足临床医生勾画标准，即得到最终的纵隔淋巴引流区分割结果。