買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉湖南科技大學(xué)申請的專利一種基于深度學(xué)習(xí)的CT序列圖像肝臟腫瘤分割方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115690423B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211407538.5，技術(shù)領(lǐng)域涉及：G06V10/26；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)的CT序列圖像肝臟腫瘤分割方法是由廖苗;邸拴虎;梁偉設(shè)計研發(fā)完成，并于2022-11-10向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于深度學(xué)習(xí)的CT序列圖像肝臟腫瘤分割方法在說明書摘要公布了：本發(fā)明公開了一種基于深度學(xué)習(xí)的CT序列圖像肝臟腫瘤分割方法，主要包括：1構(gòu)建基于空洞空間金字塔卷積的U型2D卷積網(wǎng)絡(luò)，并利用該網(wǎng)絡(luò)分別從矢狀面、冠狀面和橫切面三個視圖方向?qū)T序列圖像進行二維切片分割；2采用輕量級的3D卷積網(wǎng)絡(luò)對不同視圖方向獲取的分割結(jié)果進行融合，獲取CT序列各像素屬于目標(biāo)的概率及CT序列肝臟腫瘤三維分割結(jié)果；3根據(jù)所獲取的概率和三維分割結(jié)果，構(gòu)建圖割能量函數(shù)，進一步優(yōu)化分割結(jié)果。本發(fā)明通過結(jié)合2D、3D卷積網(wǎng)絡(luò)以及圖割算法，可在輕量化網(wǎng)絡(luò)的情況下，有效提取CT序列的三維空間信息，提高肝臟腫瘤分割精度。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)的CT序列圖像肝臟腫瘤分割方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的CT序列圖像肝臟腫瘤分割方法，其特征在于，包括以下步驟： 1建立包含原始CT序列圖像和肝臟區(qū)域手動分割結(jié)果的原始訓(xùn)練數(shù)據(jù)集A和B； 2構(gòu)建基于空洞空間金字塔卷積的U型2D卷積網(wǎng)絡(luò)，記作ASPP-UNet，具體包括： 2-a采用U形網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，該主干網(wǎng)絡(luò)包含三個編碼層、兩個跳躍連接、一個空洞空間金字塔卷積層、三個解碼層和和一個1×1卷積層，其中：第一個編碼層的輸出不僅作為第二個編碼層的輸入，同時還通過第一個跳躍連接與第二個解碼層相連作為該解碼層的輸入；第二個編碼層的輸出不僅作為第三個編碼層的輸入，同時還通過第二個跳躍連接與第一個解碼層相連作為該解碼層的輸入；第三個編碼層的輸出作為空洞空間金字塔卷積層的輸入，且空洞空間金字塔卷積層的輸出作為第一個解碼層的輸入；此外，上一個解碼層的輸出均作為下一個解碼層的輸入；為了得到分割結(jié)果，將最后一個解碼層與一個1×1卷積層相連，其中最后一個解碼層的輸出作為1×1卷積層的輸入，1×1卷積層的輸出為各像素屬于目標(biāo)的概率，通過引入閾值ε1，即可得到分割結(jié)果； 2-b在步驟2-a所述的主干網(wǎng)絡(luò)中，每個編碼層均由兩個2D卷積模塊連接組成，即2D雙卷積模塊，其中每個2D卷積模塊包含一個大小為3×3的卷積層，一個批歸一化層和一個Relu激活層；為了對圖像進行下采樣，第二和第三個編碼層中，2D雙卷積模塊的末尾均增加1個大小為2×2的最大池化層； 2-c在步驟2-a所述的主干網(wǎng)絡(luò)中，空洞空間金字塔卷積層具體包括：采用n個具有不同采樣半徑{ri|i＝1,2,...,n}的3×3卷積核分別對輸入特征圖進行空洞卷積，并將空洞卷積結(jié)果進行拼接作為該空洞空間金字塔卷積層的輸出，其中n為大于1的自然數(shù)；為了擴大卷積核的感受野、獲取多尺度的上下文信息，采樣半徑設(shè)置為ri＝k×i+1，其中k為大于0的自然數(shù)； 2-d在步驟2-a所述的主干網(wǎng)絡(luò)中，第一和第二個解碼層均由一個步驟2-b所述的2D雙卷積模塊、一個2×2反卷積層和一個拼接操作連接組成，第三個解碼層僅由一個步驟2-b所述的2D雙卷積模塊組成，其中：第一個解碼層中2D雙卷積模塊的輸入為空洞空間金字塔卷積層的輸出，此后，下一個解碼層中2D雙卷積模塊的輸入均為上一個解碼層的輸出；第一個解碼層中的拼接操作用于拼接該解碼層中反卷積結(jié)果和第二個編碼層的輸出，拼接結(jié)果作為該解碼層的輸出；第二個解碼層中的拼接操作用于拼接該解碼層中反卷積結(jié)果和第一個編碼層的輸出，拼接結(jié)果作為該解碼層的輸出； 3構(gòu)建輕量級的3D卷積網(wǎng)絡(luò)，記作LW-3DNet，該網(wǎng)絡(luò)涉及三個輸入和一個輸出，網(wǎng)絡(luò)具體結(jié)構(gòu)包括：首先采用三個3D雙卷積模塊，分別對三個輸入進行卷積，然后采用拼接操作將卷積結(jié)果進行拼接，并采用一個3D雙卷積模塊對拼接結(jié)果進行卷積，得到特征圖F，最后，采用一個1×1×1卷積層對特征圖F進行卷積，1×1×1卷積層的輸出為各體素屬于目標(biāo)的概率，通過引入閾值ε2，即可得到三維分割結(jié)果；步驟3中所述的3D雙卷積模塊均由兩個3D卷積模塊連接組成，其中每個3D卷積模塊包含一個大小為3×3×3的卷積層，一個批歸一化層和一個Relu激活層； 4利用ASPP-UNet，訓(xùn)練多個可用于分割不同視圖方向二維切片的網(wǎng)絡(luò)模型，具體步驟包括：對于訓(xùn)練數(shù)據(jù)集A中的每一個CT序列，首先分別從矢狀面、冠狀面和橫切面三個視圖方向重構(gòu)二維切片，獲取不同視圖方向的二維切片，分別記作和然后，將訓(xùn)練數(shù)據(jù)集中獲取的矢狀面視圖方向的二維切片及其對應(yīng)的二維切片手動分割結(jié)果輸入ASPP-UNet網(wǎng)絡(luò)進行訓(xùn)練，獲取可用于分割矢狀面二維切片的網(wǎng)絡(luò)模型ASPP-UNetX，將訓(xùn)練數(shù)據(jù)集中獲取的冠狀面視圖方向的二維切片及其對應(yīng)的二維切片手動分割結(jié)果輸入ASPP-UNet網(wǎng)絡(luò)進行訓(xùn)練，獲取可用于分割冠狀面二維切片的網(wǎng)絡(luò)模型ASPP-UNetY，將訓(xùn)練數(shù)據(jù)集中獲取的橫切面視圖方向的二維切片及其對應(yīng)的二維切片手動分割結(jié)果輸入ASPP-UNet網(wǎng)絡(luò)進行訓(xùn)練，獲取可用于分割橫切面二維切片的網(wǎng)絡(luò)模型ASPP-UNetZ； 5利用LW-3DNet，訓(xùn)練一個可用于融合不同視圖方向分割結(jié)果的網(wǎng)絡(luò)模型，具體包括： 5-a構(gòu)建LW-3DNet網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集C，具體包括：首先，對于原始訓(xùn)練數(shù)據(jù)集B中的每一個CT序列，分別從矢狀面、冠狀面和橫切面三個視圖方向重構(gòu)二維切片，獲取不同視圖方向的二維切片，分別記作和然后，分別將和輸入至已訓(xùn)練好的網(wǎng)絡(luò)模型ASPP-UNetX、ASPP-UNetY和ASPP-UNetZ中進行測試，得到不同視圖方向的二維切片分割結(jié)果SX、SY和SZ；最后，將網(wǎng)絡(luò)預(yù)測的SX、SY和SZ作為LW-3DNet網(wǎng)絡(luò)訓(xùn)練的輸入，訓(xùn)練數(shù)據(jù)集B中CT序列三維手動分割結(jié)果作為標(biāo)簽，構(gòu)建LW-3DNet網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集C； 5-b將訓(xùn)練數(shù)據(jù)集C輸入LW-3Dnet網(wǎng)絡(luò)進行訓(xùn)練，得到訓(xùn)練好的網(wǎng)絡(luò)模型LW-3DNetF； 6對于待檢測的CT序列T，首先分別從矢狀面、冠狀面和橫切面三個視圖方向進行二維切片重構(gòu)，獲取CT序列圖像不同視圖方向的二維切片，分別記作TX、TY和TZ；然后，分別將TX、TY和TZ輸入到已訓(xùn)練好的網(wǎng)絡(luò)模型ASPP-UNetX、ASPP-UNetY和ASPP-UNetZ中進行測試，得到不同視圖方向的二維切片分割結(jié)果FX、FY和FZ；最后，將FX、FY和FZ輸入LW-3DNetF網(wǎng)絡(luò)模型進行測試，得到CT序列T中各體素屬于目標(biāo)的概率Pobj，以及肝臟腫瘤三維分割結(jié)果Sobj； 7構(gòu)建圖割能量函數(shù)，進一步優(yōu)化分割結(jié)果，得到精確的肝臟腫瘤分割結(jié)果，具體包括： 7-a對于待檢測的CT序列T，構(gòu)建如下圖割能量函數(shù)： 其中，v表示CT序列圖像T中的體素，Lv表示體素v的鄰域體素集，u表示屬于鄰域體素集Lv中的體素，Rv和Bv,u分別表示圖割能量函數(shù)中的區(qū)域懲罰項和邊界懲罰項，α為權(quán)重參數(shù)，取值為0～1之間的常數(shù)；區(qū)域懲罰項主要用于對單個體素分配標(biāo)簽為“目標(biāo)”或“背景”進行懲罰，計算公式如下： Rv＝β·R1v+1-β·R2v 其中，Pobjv表示CT序列T中體素v屬于肝臟腫瘤的概率，由步驟6所述方式獲取，體素v屬于“目標(biāo)”即“肝臟腫瘤”的概率越大，對該體素分配為“目標(biāo)”的懲罰越小，且對該體素分配為“背景”的懲罰越大，β為權(quán)重參數(shù)，取值為0～1之間的常數(shù)，gv表示CT序列T中體素v的灰度值，和γ分別表示根據(jù)步驟6所述方式獲取的分割結(jié)果Sobj計算得到的肝臟腫瘤區(qū)域的灰度均值和標(biāo)準(zhǔn)差，計算公式如下： 其中，Ro表示分割結(jié)果Sobj中的肝臟腫瘤區(qū)域體素集，m表示屬于體素集Ro中的體素，gm表示體素m的灰度值，No表示體素集Ro中的體素數(shù)目；邊界項Bv,u用于對相鄰體素間的灰度不一致進行懲罰，計算公式如下： 其中 Dv,u表示求體素v和u的歐氏距離，N1表示CT序列T中的體素數(shù)目，gv和gu分別表示體素v和u的灰度值，|gv-gu|表示求gv與gu差的絕對值； 7-b采用最大流最小割算法最小化能量函數(shù)ET，即可得到精確的肝臟腫瘤分割結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人湖南科技大學(xué)，其通訊地址為：411201 湖南省湘潭市雨湖區(qū)石碼頭2號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。