[发明专利]一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法

摘要

一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法属于医学影像处理领域，本发明设计了一个3D的编码解码网络，编码阶段采用密集连接网络提取特征，加强特征的传播，提升特征的利用率，不同的密集连接网络块之间设计了迁移模块，迁移模块采用3D多池化特征融合策略，融合max pooling和average pooling后的特征。解码阶段引入3D深监督机制隐藏层和主干网络的输出结果共同指导网络训练。本发明针对颞骨关键解剖结构体积微小，可供提取特征不足的问题，采用3D网络充分利用颞骨CT的空间的信息，实现颞骨关键解剖结构锤骨、砧骨、耳蜗外壁、耳蜗内腔、外半规管、后半规管、前半规管、前庭以及内听道的自动分割。

主权项

1.一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法，其特征在于：/n1)编码阶段：/n第一步，密集连接网络提取特征；对原始CT数据进行数据预处理之后抽取一个48×48×48的立方体送入网络；/n记X_l为l^th层的输出，x₀…x_l-1为前面从第0层到l-1层输出的特征立方体，则每个密集连接网络块内层的设计用公式(1)表示:/nX_l＝H_l([x₀，x₁，…，x_l-1])#(1)/n其中[.]表示不同层输出特征的聚合操作，H_l(·)包含batch normalization(BN)、rectified linear unit(ReLU)和3×3×3的卷积三个连续的操作，采用增长率k＝32；为了防止出现过拟合紧接3×3×3卷积操作之后使用了dropout层，drop rate为0.5；/n第二步，多池化特征融合；/n在每一层级的密集连接网络块输出之后采用BN-ReLU-Conv3D,为了防止过拟合通常采用了drop rate为0.5的dropout层，在其之后同时采用3D max pooling和3D averagepooling，将池化之后的张量特征拼接；/n2)解码阶段：/n第一步，长短跳跃连接恢复低层语义信息；编码阶段最底层密集连接网络块输出12×12×12分辨率的张量特征，采用转置卷积对其进行上采样，将该张量特征分辨率还原为24×24×24并与编码阶段第二层的密集连接网络块输出的特征通过长连接进行拼接；对拼接之后的特征进行1次3D卷积提取低层与高层语义特征拼接之后的特征，将得到的特征再经过一个转置卷积操作，上采样特征至48×48×48与输入的三维立方体的大小相等，编码阶段第一个密集连接网络块输出的特征，先采用64个卷积核提取特征，采用短连接加长连接的方式与其拼接而不是仅采用长连接方式；/n第二步，3D深监督机制指导网络训练；编码阶段第一个密集连接网络块输出的特征采用64个卷积核提取特征，之后先经过一个1×1×1的卷积，紧接其后的是一个softmax层，输出辅助分割结果；解码阶段的第二层对拼接后的特征进行卷积操作进一步提取特征，将得到的特征先经过转置卷积提升分辨率，然后经过采用1×1×1卷积核的softmax层，得到第二个辅助分割结果；/n解码阶段最后一层对拼接后的特征经过包含不同卷积核的卷积操作之后输出主干网络的预测结果，主干网络的预测结果与分支网络的预测结果共同指导网络的训练；在网络训练的过程中主干网络的损失函数与分支网络的损失时函数共同构成联合目标函数，包含Dice-Coefficient(DSC)损失函数和交叉熵损失函数；DSC损失函数定义如公式(2)所示:/n /n其中X和Y分别表示预测体素与真实目标体素，n表示待分割目标的类别数(包含背景)，x_i与y_i分别表示预测体素数据与真实目标体素数据中包含的目标标记体素的数量；为交叉熵损失函数引入权重记为W，如公式(3)所示：/n /n其中N_k表示待分割体素数据中目标体素标记的数量，N_c表示待分割体素数据中全部体素的数量；交叉熵损失函数如公式(4)所示：/n /n基于上面定义的损失函数构建联合目标函数如公式(5)所示：/n /n其中λ为分支网络损失函数的超参数；基于主干网络和分支网络的损失函数构建目标损失函数共同指导网络训练。/n