[发明专利]一种基于深度学习的CT切片图像语义分割系统及方法

摘要

本发明提供一种基于深度学习的CT切片图像语义分割系统及方法，涉及图像处理技术领域。本发明具体步骤为：获取CT数据集和标签CT数据集；对数据进行阈值和切片处理；将原始CT切片数据集内的数据划分为原始CT切片训练集和原始CT切片测试集；根据原始CT切片训练集和肝脏标签切片训练集建立肝脏区域分割模型；根据原始CT切片训练集和病变标签切片训练集建立病变区域分割模型；根据原始CT切片测试集中的数据对肝脏区域分割模型和病变区域分割模型进行测试；本方法结合计算机视觉领域的深度学习技术，通过这个系统可以在临床上自动、准确而又快速地切割出CT切片的肝脏区域和肝脏的病变区域，提高放射科医生的工作效率。

主权项

1.一种基于深度学习的CT切片图像语义分割系统，其特征在于：包括数据采集模块、数据预处理模块、建立初始模型单元、肝脏区域分割单元、病变区域分割单元；所述数据采集模块用于采集多组腹腔CT数据以及与腹腔CT数据相对应的带有标签的腹腔CT数据，形成原始CT数据集和标签CT数据集，数据采集模块的输出端与数据预处理模块的输入端相连接；所述数据预处理模块用于对原始CT数据集内的数据进行阈值和切片处理，对标签CT数据集内的数据进行切片处理，得到原始CT切片数据集和标签CT切片数据集；数据预处理模块的输出端分别与肝脏区域分割单元和病变区域分割单元的输入端相连接；所述建立初始模型单元用于通过DenseNet将输入的图片进行下采样得到224x224、112x112、56x56、28x28、14x14和7x7的逐层空间尺度划分，并提取各个尺度上的所有特征，空间尺度划分层级由7x7尺度按照14x14、28x28、56x56、112x112尺度进行上采样，对提取的每个尺度上的所有特征不断进行重组融合，上采样得到14x14，并提取该尺度上的任务特征，并将上采样得到的14x14尺度与下采样得到的14x14尺度通过拼接和卷积操作进行特征融合得到14x14尺度的融合特征图像，卷积操作采用DenseNet自身结构里面的bottleneck卷积操作，依次进行其他尺度的特征融合，得到28x28尺度的融合特征图像、56x56尺度的融合特征图像、112x112尺度的融合特征图像，对112x112尺度的融合特征进行一次上采样得到224x224尺度的图像，形成初始深度学习模型，所述建立初始模型单元的输出端分别与肝脏区域分割单元的输入端和病变区域分割单元的输入端相连接；所述肝脏区域分割单元用于根据数据预处理模块输出的数据对建立初始模型单元输出的初始深度学习模型进行训练，在肝脏标签切片训练集中选择出与初始深度学习模型输入的原始CT切片相对应的肝脏标签CT切片，并将肝脏标签CT切片与初始深度学习模型输出的图像根据评价指标β_j进行评价，并设计损失函数L_j＝1‑β_j，根据损失函数执行后向传播算法对初始权重矩阵进行调整；得到肝脏区域分割模型和最优权重矩阵，所述肝脏区域分割单元的输出端与病变区域分割单元的输入端相连接；所述病变区域分割单元用于根据数据预处理模块输出的数据和肝脏区域分割单元输出的最优权重矩阵对建立初始模型单元输出的初始深度学习模型进行训练，在病变标签切片训练集中选择出与初始深度学习模型输入的原始CT切片相对应的病变标签CT切片，并将病变标签CT切片与初始深度学习模型输出的图像根据评价指标β′_j进行评价，并设计损失函数L′_j＝1‑β′_j，根据损失函数执行后向传播算法对初始权重矩阵进行调整；得到肝脏区域分割模型和最优权重矩阵。