[发明专利]基于卷积神经网络及混合损失函数的眼球分割方法及装置

说明书

基于卷积神经网络及混合损失函数的眼球分割方法与装置，能够提升CT影像中眼球的分割精度。方法包括：(1)在数据集制作阶段，通过手动标注绘制眼球分割金标准，并对原始三维CT影像数据进行取二维切片、降采样和标准化的预处理操作，然后将数据集整体分为训练集、验证集和测试集三部分用于网络的训练和测试；(2)在网络训练阶段，搭建由粗分割模块和U形残差微调模块级联的卷积神经网络模型，并利用由交叉熵、交并比和结构相似性测度构成的混合损失函数对网络分割结果进行多层级的监督优化；(3)在测试阶段，将测试数据集送入训练得到的最优分割模型中进行分割，并将输出结果还原为三维数据，得到最终的眼球分割结果。

技术领域

本发明涉及医用图像处理的技术领域，尤其涉及一种基于卷积神经网络及混合损失函数的眼球分割方法，以及基于卷积神经网络及混合损失函数的眼球分割装置。

背景技术

在头部CT影像中，眼球位置和形态相对固定，但边缘模糊，与周围其他组织粘连，占影像整体比例较小，这些特点对CT影像中眼球的自动分割造成了困难。精确的眼球分割能够帮助医生确定眼球位置、测量眼球半径、体积等，在辅助诊断、术前规划、术中导航以及术后治疗效果评估中都发挥了重要作用。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于卷积神经网络及混合损失函数的眼球分割方法，其能够提升CT影像中眼球的分割精度，在辅助诊断、术前规划、术中导航以及术后治疗效果评估中都发挥重要作用。

本发明的技术方案是：这种基于卷积神经网络及混合损失函数的眼球分割方法，其包括以下步骤：

(1)在数据集制作阶段，通过手动标注绘制眼球分割金标准，并对原始三维CT影像数据进行取二维切片、降采样和标准化的预处理操作，然后将数据集整体分为训练集、验证集和测试集三部分用于网络的训练和测试；

(2)在网络训练阶段，搭建由粗分割模块和U形残差微调模块级联的卷积神经网络模型，并利用由交叉熵、交并比和结构相似性测度构成的混合损失函数对网络分割结果进行多层级的监督优化；

(3)在测试阶段，将测试数据集送入训练得到的最优分割模型中进行分割，并将输出结果还原为三维数据，得到最终的眼球分割结果。

本发明通过在由U-Net构成的粗分割模块后级联U形残差微调模块增强网络对眼球细节特征的提取，另外采用由交叉熵、交并比和结构相似性测度三种损失函数构成的混合损失函数监督网络训练过程，从而提升CT影像中眼球的分割精度，在辅助诊断、术前规划、术中导航以及术后治疗效果评估中都发挥重要作用。

还提供了基于卷积神经网络及混合损失函数的眼球分割装置，其包括：

数据集制作模块，其配置来通过手动标注绘制眼球分割金标准，并对原始三维CT影像数据进行取二维切片、降采样和标准化的预处理操作，然后将数据集整体分为训练集、验证集和测试集三部分用于网络的训练和测试；

网络训练模块，其配置来搭建由粗分割模块和U形残差微调模块级联的卷积神经网络模型，并利用由交叉熵、交并比和结构相似性测度构成的混合损失函数对网络分割结果进行多层级的监督优化；

测试模块，其配置将测试数据集送入训练得到的最优分割模型中进行分割，并将输出结果还原为三维数据，得到最终的眼球分割结果。

附图说明

图1是根据本发明的基于卷积神经网络及混合损失函数的眼球分割方法的流程图。

具体实施方式

如图1所示，这种基于卷积神经网络及混合损失函数的眼球分割方法，其包括以下步骤：

(1)在数据集制作阶段，通过手动标注绘制眼球分割金标准，并对原始三维CT影像数据进行取二维切片、降采样和标准化的预处理操作，然后将数据集整体分为训练集、验证集和测试集三部分用于网络的训练和测试；