[发明专利]一种基于深度学习的医学影像自动分割方法

权利要求书

1.一种基于深度学习的医学影像自动分割方法，其特征在于所述医学影像自动分割方法的网络结构包括调制可变形主干网络和用于分类、框回归和掩模生成的多任务动态模块；自动分割步骤如下：

1)读取临床影像数据；

2)图像预处理及数据增强；

3)调制可变形主干网络提取特征；对经步骤2)输出的数据进行特征提取，然后使用特征金字塔网络来处理分割任务中的多尺度变化，最终输出具有高级语义信息的不同尺寸的特征图并由步骤4)中的多任务动态模块的分类、回归和掩模生成共享；

4)多任务动态模块分类、回归及基于感兴趣区域的掩模生成，输出对医学影像的分割结果；其中，多任务动态模块包括检测模块、掩模分割模块和边界分割模块三部分组成；

在步骤3)中，具体步骤如下：在调制可变形主干网络中的卷积层，将调制可变形卷积作为单个层应用，在卷积之前使用学习的偏移量来重新计算特征图的像素位置，生成的偏移量采用双线性插值得到相应的像素，并对偏移量校正后的位置赋予不同的权重，以达到更准确的特征提取；提取后的特征输入到特征金字塔网络，最后输出多尺度特征图；

所述多任务动态模块是一个迭代递归多任务学习结构，迭代学习初始化的候选框和候选框特征；具体步骤如下：首先初始化N个候选框的中心点坐标、宽和高，并初始化N×D维的候选框特征，与由步骤3)得到的多尺度特征图一起输入到多任务动态模块中，将每次迭代后预测的候选框和候选框特征作为下一次迭代的输入；

步骤4)中包括：

4.1)初始化N个候选框的中心点坐标、宽和高，并初始化N×D维的候选框特征，与由步骤3)得到的多尺度特征图一起输入到多任务动态模块中，将每次迭代后预测的候选框和候选框特征作为下一次迭代的输入；

4.2)候选框、前景候选框映射到由步骤3)输出的多尺度特征图并插值分别得到固定尺寸的感兴趣区域特征和掩模特征；将初始化的候选框映射到多尺度特征图中最大尺寸特征层并插值得到用于边界分割的固定尺寸边界特征；

4.3)将步骤4.2)输出的感兴趣区域特征输入到检测模块与候选框特征执行动态实例交互，为每个实例提取特征，然后预测并输出每个框的所属类别和坐标偏移，以此作为多任务动态模块下一次迭代的输入，根据框回归结果更新初始化的候选框；

4.4)将步骤4.2)输出的掩模特征输入到掩模分割模块，边界特征输入到边界分割模块，最后由掩模分割模块生成二值掩模分割图，并由边界分割模块预测目标的结构边界，获取目标的形状信息和位置信息进而约束二值掩模分割图以得到更精细的分割边界；其中边界真值由二值掩码真值利用拉普拉斯算子生成。

2.如权利要求1所述的一种基于深度学习的医学影像自动分割方法，其特征在于在步骤1)中，所述数据为肿瘤或器官的影像数据，所述影像数据包括核磁共振影像MRI数据、计算机断层影像CT以及正电子发射断层影像PET；所述影像数据被划分为训练集和测试集；所述影像数据包含脱敏的肿瘤或器官原始影像及对肿瘤或器官的人工标注结果。

3.如权利要求1所述的一种基于深度学习的医学影像自动分割方法，其特征在于在步骤4.4)中，首先，将获得的掩模特征输入到两个连续的卷积层，由此得到的输出特征再经过一个卷积层后融合到边界分割，即与边界特征执行加和操作；输出边界特征随后被输入到两个连续的卷积层，从而获得边界分割图；掩模特征被下采样两次；每次下采样后，与经下采样获得的相同尺寸的边界特征执行加和运算；最后，相同尺寸的掩模特征执行跳跃连接以将语义信息丰富的高层卷积特征和低层卷积特征融合起来。