[发明专利]一种基于深度学习的盆骨及其动脉血管的多层级分割方法

权利要求书

1.一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：包括以下步骤：

步骤1：数据准备与标注，完成数据从数据系统导入，盆骨及盆骨动脉血管树数据的标定；

步骤2：数据预处理，对数据进行预处理，去除冗余的背景信息；

步骤3：基于多层级分割的3D卷积神经网络的第一级分割模型构建，第一级分割模型用于分割盆骨及粗分割盆骨动脉血管树；

步骤4：基于多层级分割的3D卷积神经网络的第二级分割模型构建，第二级分割模型利用第一级分割模型分割的结果以及基于金标准血管标签的距离转换尺度标签对血管进行细分割；

步骤5：使用标定的数据与合成的损失函数训练第一级分割模型和第二级分割模型，第一级分割模型采用加权交叉熵分类学习误差，第二级分割模型采用加权交叉熵分类学习误差和深度距离转换学习误差；

步骤6：使用步骤5训练好的第一级分割模型和第二级分割模型对输入的三维CT图像进行腹部信息分割，输出分割结果；

所述第一级分割模型得到盆骨及盆骨动脉血管信息，再将得到的盆骨及盆骨动脉血管信息与原始CT信息融合通过第二级分割模型获取血管树细分割结果。

2.根据权利要求1所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：步骤2中对数据的预处理包括裁剪处理与归一化处理，数据将在预处理阶段按照标签的边缘分别裁剪掉20-100个像素，同时保留CT值在0HU-1600HU，最终获得的数据被归一化到[0,1]之间。

3.根据权利要求1所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：所述第一级分割模型和第二级分割模型均采用3D-Unet网络作为主体提取3D卷积神经网络，使用第一级分割模型和第二级分割模型对同一CT影像生成多个尺度、不同层级和细节的分割结果集，所述分割结果集形成对同一幅CT影像的不同尺度的多层级3D卷积神经网络结构表达。

4.根据权利要求3所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：还包括重组再校准模块和空间自适应压缩激活模块，所述重组再校准模块和空间自适应压缩激活模块先获取局部信息，再利用空洞卷积获取更大的感受野。

5.根据权利要求4所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：所述第二级分割模型输入通过距离转换算法利用金标准血管标签计算得到的尺度标签，定义集合C_V,则距离转换算法的计算公式如下：

其中，对于标签为血管的体素，距离转换值是该体素到血管表面体素的最小欧式距离，N(v)表示某个体素v相邻的6个体素，集合C_V是血管表面体素的集合，y_u表示体素u的标签；v表示某个体素，u∈Cv表示血管表面的某个体素；y_v表示体素v的标签，V表示CT图像数据中所有体素的集合，dv表示某个体素v的距离转换值。

6.根据权利要求1所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：步骤5中训练第一级分割模型和第二级分割模型包括以下步骤：

步骤5.1：加权交叉熵分类学习误差和深度距离转换学习误差，加权交叉熵学习误差使得前景后景贡献占比均衡，深度距离转换学习误差用于减少从复杂周围结构分割血管结构的难度，并确保了分割结果具有适当的形状原型，所述第一级分割模型采用加权交叉熵分类学习误差，所述第二级分割模型采用加权交叉熵分类学习误差和深度距离转换学习误差；

步骤5.2：3D卷积神经网络训练，采用混合精度训练方法、断点训练方法、训练优化算法、BP反馈传播算法，其中，训练优化算法采用Adam优化算法。

7.根据权利要求6所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：所述Adam优化算法的初始学习率设置为0.001，衰减系数设置为5×10^-4，若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8，一次训练批次设置为1，学习迭代次数为100。