[发明专利]基于时间自适应神经网络的鲁棒医学图像分割方法研究

权利要求书

1.本发明公布了一种基于时间自适应神经网络的鲁棒医学图像分割方法，包括以下步骤：

（1）数据预处理：对于2D segCNN，重新缩放所有图像到平面内尺寸的固定像素大小，然后裁剪或填充零，以匹配图像大小到固定大小；大脑、前列腺和心脏数据集的固定像素尺寸分别为0.7mm²、0.625mm²和1.33mm²，而所有解剖数据的固定图像尺寸为256x256；训练和验证图像的ground truth标签将以与相应图像相同的方式进行缩放和裁剪/填充；测试图像也被重新调整和裁剪/填充，然后预测他们的分段；对于3D DAE，用重新缩放和裁剪/填充应用于所有3维的分割标签预处理；大脑、前列腺和心脏数据集的固定体素尺寸分别设置为2.8x0.7x0.7mm³、2.5x0.625x0.625mm³和5.0x1.33x1.33mm³，而大脑图像的固定3D图像尺寸分别设置为64x256x256和其余两张解剖图的固定3D图像尺寸分别设置为32x256x256；

（2）网络体系结构：为了建模归一化图像到分割CNN以及DAE，我们使用了一种编码器-解码器结构，该结构具有跨越相应深度的跳跃连接，这与常用的U-Net结构相一致；考虑到潜在的棋盘状伪影，双线性上采样比反卷积更可取；尽管如此，要强调的是，所提议的测试时间适应策略、标准化模块和DAE与标准化图像到分割CNN的架构无关；任何架构都可以代替我们在实验中使用的U-Net架构；

（3）优化的细节：批处理大小设置为16用于2D分割CNN训练和测试时间适应，为了用于3D DAE；默认参数和学习率为10⁻³；对CNN和DAE进行50000次迭代训练，并根据验证集的性能选择最佳模型；

（4）数据增强：通过叠加不同转换的广泛数据增强(DA)大大改善了不可见扫描器和协议上的分割性能；还观察到，在使用相同的成像协议获取源和目标域图像的情况下，由于数据增强，性能得到了显著提高。