[发明专利]基于深度学习技术的肺部解剖学位置定位算法

摘要

本发明公开了一种基于深度学习技术的肺部解剖学位置定位算法，能对肺部CT进行准确快速的划分，本专利提出的算法，能简单、快速、准确的实现基于肺部CT图像的肺叶的自动分割，从而实现肺部病变的解剖学位置定位。相比传统的分割方法，优点突出，具体表现在：（1）过程简单，端到端的分割方式，完全不需要关注其他过程；（2）多阶段多输出的网络架构在不同阶段对网络加以控制，使得分割效果更好，基于语义的分割方式，能很最大程度上保证分割精度；（3）泛化能力强，训练过程的数据增强，保证了模型能对不同的、多样的数据学习，即保证了分割模型的泛化能力，同时也在一定程度上避免了过拟合的风险，在对不同CT进行肺叶划分时，对CT的几何形变和光照影响不敏感。

主权项

1.一种基于深度学习技术的肺部解剖学位置定位算法，其特征在于：过程如下：（1）对输入CT进行数据类型转换，将图像的像素值从32位浮点数类型转换到无符号8位整型，从而降低算法的内存消耗和提高计算效率；（2）对转换后的CT和标签图像先进行缩放，将CT图像大小缩小为原始CT的1/2，为了近一半避免训练中出现的内存溢出问题，需要将缩放后的图像进行分块，包括重叠的分块和不重叠的分块，并对块的尺寸进行不同的尝试，发现有无重叠对最后效果并无大的影响，而过小的尺寸会造成训练中丢失全局信息，最后选择为128×128×128为划分大小，原始图像不足该大小的以0填充；（3）将划分后源数据和标签输入网络训练，标签以1到5分别表示左肺的上下叶和右肺的上中下叶；对图像进入网络训练之前，现将图像按照（2）的缩放和划分，网络的输入尺寸为128×128×128，以UNet为骨干网络，并以多阶段多输出控制网络学习，网络以多阶段的DiceLoss和作为网络的损失函数，采用Adam优化算法，batchsize为4，训练5个epoch后dice系数在验证集上为0.9437；（4）在对肺部CT进行肺叶分割(预测)时，由于训练时网络的限制，需要将图像按（2）所述方法进行缩放和划分，在对各个块进行分割后，需要将各个块按照划分顺序进行合并，并放大到原始尺寸，放大后的图像为了避免锯齿，需要对合并后的图像进行插值，在此采用了1阶多项式插值方法。