[发明专利]一种基于深度学习的医学图像活动轮廓分割方法

权利要求书

1.一种基于深度学习的医学图像活动轮廓分割方法，其特征在于，其步骤如下：

步骤一：获取医学图像作为样本图像，将样本图像分成训练集和测试集，获取训练集中样本图像的像素级的标签；

步骤二：构建初始化网络，利用训练集中的样本图像和步骤一得到的像素级的标签训练初始化网络，得到粗分割模型；

步骤三：将所有样本图像输入到步骤二中得到的训练好的粗分割模型中得到像素级的粗分割预测图像，提取粗分割预测图像的边界点得到初始化表面的点云数据；

步骤四：构建表面演化网络模型，利用步骤三中得到的训练集的初始化表面的点云数据训练表面演化网络模型，得到表面演化模型；

所述表面演化网络模型的网络结构为：第一部分是一个KP卷积层和一个一维的标准化层以及leaky激活函数；接下来是下采样部分共有五部分，一部分中包含两个KP残差模块，其中第二个KP残差模块中的KP卷积有下采样操作；中间三部分均包含3个KP残差模块，且每个部分的第三个KP残差模块中的KP卷积均有下采样操作；另一部分中包含两个KP残差模块，均无下采样操作；然后是四个上采样模块，每个上采样模块中包含一个上采样层、一个共享的多层感知机加上标准化层和激活函数；最后是两个连续的多层感知机，两个多层感知机后都是一维标准化层，用来输出最后的预测结果；

步骤五：将步骤三得到的测试集的初始化表面的点云数据输入到表面演化模型中，得到边界点的预测位移，根据预测位移确定目标边界点，从而获得目标边界点集合；

步骤六：表面重建：利用目标边界点集合进行三维表面重建，得到最终的分割图像。

2.根据权利要求1所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述初始化网络的第一部分是卷积层，卷积层后设有批标准化层和激活函数层；紧接着是一个池化层；池化层后设有四个残差模块，其中第一个残差模块和第二个残差模块中最后的卷积层进行下采样操作，第三个残差模块和第四个残差模块中的卷积层使用膨胀卷积；接下来是密集空洞空间金字塔池化块，包含一个1×1的卷积层、三个膨胀卷积层以及一个全局池化层，且1×1的卷积层、三个膨胀卷积层和一个全局池化层并联，整合提取的特征输出一个分辨率小的分割预测图像；最后，采用上采样将分割预测图像还原到原图像的大小。

3.根据权利要求2所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述步骤一中像素级的标签是一个和样本图像同样大小、取值属于{0,1}的图像，1表示所需要的目标器官，0表示背景或其他不需要的器官；所述上采样中使用的插值方法是双线性差值法。

4.根据权利要求1或3所述的基于深度学习的医学图像活动轮廓分割方法，其特征在于，所述步骤二中初始化网络的训练方法为：将训练集中的样本图像即训练样本图像按照第三维度切成二维的切片，即：假设三维CT图像大小是H×W×D，那么可以看作是D张H×W大小的二维图像数据叠放在一起，每张二维图像称之为一个三维图像的一个切片；将切片输入到初始化网络，得到切片对应的分割预测图像；根据分割预测图像与像素级的标签做对比，计算二值交叉熵，作为初始化网络的损失函数，用梯度回传法更新初始化网络的参数；

所述像素级的粗分割预测图像的获得方法为：首先将所有训练集和测试集的三维CT图像按照第三维来分成多张二维图像，并将每个三维CT图像的二维图像依次都输入到粗分割模型中，得到预测的二维图像，并按照顺序将预测的二维图像依次叠放起来，还原回原三维图像的大小即将D张H×W大小的二维图像叠放成大小H×W×D的三维图像，得到一个像素级的粗分割预测图像。