CN111292339B - 基于w型网络结构的临床颞骨ct多结构提取方法及装置 - Google Patents

基于w型网络结构的临床颞骨ct多结构提取方法及装置 Download PDF

Info

Publication number
CN111292339B
CN111292339B CN202010075659.9A CN202010075659A CN111292339B CN 111292339 B CN111292339 B CN 111292339B CN 202010075659 A CN202010075659 A CN 202010075659A CN 111292339 B CN111292339 B CN 111292339B
Authority
CN
China
Prior art keywords
training
network structure
neural network
convolution
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010075659.9A
Other languages
English (en)
Other versions
CN111292339A (zh
Inventor
王君臣
吕弈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010075659.9A priority Critical patent/CN111292339B/zh
Publication of CN111292339A publication Critical patent/CN111292339A/zh
Application granted granted Critical
Publication of CN111292339B publication Critical patent/CN111292339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于W型网络结构的临床颞骨CT多结构提取方法及装置，其中，方法包括以下步骤：获取训练数据集；根据训练数据集训练W型神经网络结构模型；采集用户的当前数据，将当前数据输入至训练好的W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。该方法可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。

Description

基于W型网络结构的临床颞骨CT多结构提取方法及装置
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种基于W型网络结构的临床颞骨CT多结构提取方法及装置。
背景技术
目前世界最先进的耳蜗CT提取方法为基于地图集的提取方法，该方法是一种基于micro-CT进行分割，并使用该分割结果与临床的低分辨率进行配准的方法。这种方法目前难以广泛推广，主要原因有以下几点：第一，这种方法需要micro-CT设备，价格远高于普通的CT设备，且扫描体积较小。第二，这种方法依赖于配准的精度，也就是说如果预先分割的模型与配准目标的形态结构差异较大，则分割精度会大大下降。即这种方法稳定性较差。第三，这种方法一次只能分割单一目标，无法对于多目标进行同时且高精度分割。
另外，目前神经网络在医学图像分割上的应用主要为二维与三维图像上的大型器官分割，而对于颞骨CT中的具有体积微小且形态复杂的结构还没有应用，有待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于W型网络结构的临床颞骨CT多结构提取方法，该方法可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。
本发明的另一个目的在于提出一种基于W型网络结构的临床颞骨CT多结构提取装置。
为达到上述目的，本发明一方面实施例提出了一种基于W型网络结构的临床颞骨CT多结构提取方法，包括以下步骤：获取训练数据集；根据所述训练数据集训练W型神经网络结构模型；采集用户的当前数据，将所述当前数据输入至训练好的所述W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。
本发明实施例的基于W型网络结构的临床颞骨CT多结构提取方法，通过使用少量数据集训练W型神经网络结构模型，可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。
另外，根据本发明上述实施例的基于W型网络结构的临床颞骨CT多结构提取方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，在获取所述训练数据集之后，还包括：根据拟合条件对所述训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理。
进一步地，在本发明的一个实施例中，所述W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核。
进一步地，在本发明的一个实施例中，所述根据所述训练数据集训练W型神经网络结构模型，包括：采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练。
进一步地，在本发明的一个实施例中，其中，在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：
Figure GDA0003962492290000021
Figure GDA0003962492290000022
loss＝losswce+lossdice
其中，wi为不同种类标签的权重，pgt为真值，ppred为预测值。
进一步地，在本发明的一个实施例中，还包括：通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质，实现对W型神经网络结构模型的优化。
为达到上述目的，本发明另一方面实施例提出了一种基于W型网络结构的临床颞骨CT多结构提取装置，包括：获取模块，用于获取训练数据集；训练模块，用于根据所述训练数据集训练W型神经网络结构模型；提取模块，用于采集用户的当前数据，将所述当前数据输入至训练好的所述W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。
本发明实施例的基于W型网络结构的临床颞骨CT多结构提取装置，通过使用少量数据集训练W型神经网络结构模型，可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。
另外，根据本发明上述实施例的基于W型网络结构的临床颞骨CT多结构提取装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：数据预处理模块，在获取所述训练数据集之后，用于根据拟合条件对所述训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理。
进一步地，在本发明的一个实施例中，所述W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核。
进一步地，在本发明的一个实施例中，所述训练模块具体包括：采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练。
进一步地，在本发明的一个实施例中，其中，在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：
Figure GDA0003962492290000031
Figure GDA0003962492290000032
loss＝losswce+lossdice其中，wi为不同种类标签的权重，pgt为真值，ppred为预测值。
进一步地，在本发明的一个实施例中，还包括：优化模块，用于通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质，实现对W型神经网络结构模型的优化。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于W型网络结构的临床颞骨CT多结构提取方法的流程图；
图2为根据本发明实施例的分割后可视化效果图；
图3为根据本发明实施例的W型网络结构的结构示意图；
图4为根据本发明实施例的预设优化算法在三种结构下的有效性验证结果示意图；
图5为根据本发明实施例的三种结构的可视化效果示意图；
图6为根据本发明实施例的基于W型网络结构的临床颞骨CT多结构提取装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于W型网络结构的临床颞骨CT多结构提取方法及装置，首先将参照附图描述根据本发明实施例提出的基于W型网络结构的临床颞骨CT多结构提取方法。
图1是本发明一个实施例的基于W型网络结构的临床颞骨CT多结构提取方法的流程图。
如图1所示，该基于W型网络结构的临床颞骨CT多结构提取方法包括以下步骤：
在步骤S101中，获取训练数据集。
其中，训练数据集中的训练数据为临床颞骨CT，分辨率约为0.3mm*0.412mm*0.412mm。临床数据与高精度微CT的区别在于，临床CT分辨率低，分割更加困难，但更符合实际应用场景。
进一步地，在本发明的一个实施例中，在获取训练数据集之后，还包括：根据拟合条件对训练数据集的训练数据进行数据增强与归一化处理。
可以理解的是，本发明实施例对训练数据进行数据增强与归一化，使神经网络在后面的训练中能够得到一个合适的拟合条件。其中，拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理。
在步骤S102中，根据训练数据集训练W型神经网络结构模型。
可以理解的是，本发明实施例设计了一个包含更少参数量的网络框架，并对比了其与目前国际最先进的网络框架在本发明实施例的数据集以及训练环境下的表现，结果图2和表1所示。
表1
Figure GDA0003962492290000051
具体而言，如图3所示，W型神经网络结构具体为：
由3*3*3的三维卷积，最大池化和反卷积构成。如图所示，它包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接。本发明实施例的神经网络有2.01M(2012995)个参数。其中卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，这样可以使输入与输出的尺寸相同。图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作。此外，将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，这样使得channel过渡更为平缓。最后需要注意的是，本发明实施例的两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核，这是首次提出并应用在W型网络上的“卷积核复用”方法，此操作使得这个卷积核在反向传递的优化过程中能够以更少的参数代价实现更多的优化次数。
进一步地，在本发明的一个实施例中，根据训练数据集训练W型神经网络结构模型，包括：采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练。
例如，采用自适应矩估计作为训练优化器，设置学习率在每3轮后递减为原来的95％。其中输入数据的尺寸设置为80*64*64，三个分割结构的权重值设置为3:6:1，batch设置为4进行训练100次迭代。
在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：
Figure GDA0003962492290000061
Figure GDA0003962492290000062
loss＝losswce+lossdice
其中，wi为不同种类标签的权重，pgt为真值，ppred为预测值。
具体而言，训练W型神经网络结构模型具体包括以下步骤：
首先读取训练数据，包括CT图像和真值标签并将其移动到GPU显存中以便更高效的运算；然后将W型神经网络进行参数初始化，并将其移动到GPU显存中。将训练数据中的CT图像增加两个维度：batchsize和channel，并将其输入至网络模型中进行运算。之后将网络输出的结果与标签输入损失函数中计算误差，之后对误差进行反向梯度运算，并使用优化器对神经网络的参数进行优化以及进行学习率衰减。优化后开始输入下一组数据，以此往复循环值100次迭代为止。
进一步地，在本发明的一个实施例中，还包括：通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质。
可以理解的是，本发明实施例设计了优化算法，并将Dice指数与损失函数结合在一起，并验证了其在三种结构(内耳、听骨链和面神经)下的有效性，如图4所示，其中，Dice指数为评价分割精度的指数。优化算法为：使用针对深度学习自行设计的最大区域生长法方法，自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以达到过滤其他杂质的优化算法。最大区域生长法的具体流程为，首先对三维数据的每一个像素进行区域生长运算，之后将所有连通的区域进行体积排序，保留体积最大的区域并删除其他所有区域。
具体地，本发明实施例使用训练数据以外的其他人的数据，并对其使用训练好的模型进行自动分割，并和手动分割的结果进行对比，通过计算这两者之间的Dics相似度指数(DSC)值来计算精度。其中，
Figure GDA0003962492290000071
在步骤S103中，采集用户的当前数据，将当前数据输入至训练好的W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。
其中，耳蜗信息、听骨链信息与面神经信息这三种结构可视化效果如图5所示。
综上，本发明实施例提出的基于W型网络结构的临床颞骨CT多结构提取方法，通过使用少量数据集训练W型神经网络结构模型，可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。
其次参照附图描述根据本发明实施例提出的基于交叉结合W型网络结构的临床颞骨CT多结构提取装置。
图6是本发明一个实施例的基于W型网络结构的临床颞骨CT多结构提取装置的结构示意图。
如图6所示，该基于W型网络结构的临床颞骨CT多结构提取装置10包括：获取模块100、训练模块200和提取模块300。
其中，获取模块100用于获取训练数据集；训练模块200用于根据训练数据集训练W型神经网络结构模型；提取模块300用于采集用户的当前数据，将当前数据输入至训练好的W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。本发明实施例的装置10可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。
进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：数据预处理模块。其中，数据预处理模块在获取训练数据集之后，用于根据拟合条件对训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理。
进一步地，在本发明的一个实施例中，W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核。
进一步地，在本发明的一个实施例中，训练模块200具体包括：采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练。
进一步地，在本发明的一个实施例中，其中，在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：
Figure GDA0003962492290000081
Figure GDA0003962492290000082
loss＝losswce+lossdice
其中，wi为不同种类标签的权重，pgt为真值，ppred为预测值。
进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：优化模块。其中，优化模块用于通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质，实现对W型神经网络结构模型的优化。
需要说明的是，前述对基于W型网络结构的临床颞骨CT多结构提取方法实施例的解释说明也适用于该实施例的基于交叉结合W型网络结构的临床颞骨CT多结构提取装置，此处不再赘述。
根据本发明实施例提出的基于交叉结合W型网络结构的临床颞骨CT多结构提取装置，通过使用少量数据集训练W型神经网络结构模型，可以在非常短的时间提取同时提取耳蜗、听骨链与面神经等结构，简单易实现。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于W型网络结构的临床颞骨CT多结构提取方法，其特征在于，包括以下步骤：
获取训练数据集；
根据所述训练数据集训练W型神经网络结构模型；以及
采集用户的当前数据，将所述当前数据输入至训练好的所述W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息；
在获取所述训练数据集之后，还包括：
根据拟合条件对所述训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理；
所述W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，
卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；
将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核；
还包括：
通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质，实现对W型神经网络结构模型的优化。
2.根据权利要求1所述的方法，其特征在于，所述根据所述训练数据集训练W型神经网络结构模型，包括：
采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；
将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练；
其中，在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：
Figure FDA0003962492280000011
Figure FDA0003962492280000021
loss＝losswce+lossdice
其中，wi为不同种类标签的权重，pgt为真值，ppred为预测值。
3.一种基于W型网络结构的临床颞骨CT多结构提取装置，其特征在于，所述装置用于实现如权利要求1所述的一种基于W型网络结构的临床颞骨CT多结构提取方法,所述装置包括：
获取模块，用于获取训练数据集；
训练模块，用于根据所述训练数据集训练W型神经网络结构模型；以及
提取模块，用于采集用户的当前数据，将所述当前数据输入至训练好的所述W型神经网络结构模型，提取耳蜗信息、听骨链信息与面神经信息。
4.根据权利要求3所述的装置，其特征在于，还包括：
数据预处理模块，在获取所述训练数据集之后，用于根据拟合条件对所述训练数据集的训练数据进行数据增强与归一化处理，其中，所述拟合条件包括：对面神经进行加粗处理的形态学增强，对数据进行随机平移、缩放的数据增强的训练前处理。
5.根据权利要求3所述的装置，其特征在于，所述W型神经网络结构由3*3*3的三维卷积、最大池化和反卷积构成，包含两个向下编码与两个向上解码的结构，并采用三个交叉的跳跃连接的方式进行连接，其中，
卷积的步长在三个方向均为1个像素，padding在三个方向设置为1个像素，以使输入与输出的尺寸相同，图像在经过最初的两次卷积后，输入的channel变为64，之后进行2*2*2的最大池化操作；
将解码结构上的两次卷积操作中第一次卷积的channel数变化值由/3改为/2，且在两个将channel从“64+128”计算到“64”卷积操作中，所使用的卷积核为相同的卷积核。
6.根据权利要求5所述的装置，其特征在于，所述训练模块具体包括：
采用自适应矩估计作为训练优化器，并设置所述训练优化器的学习率、输入的数据尺寸、三个分割结构的权重值以及batch值；将所述训练数据集输入所述设置的训练优化器中以训练所述W型神经网络结构模型，并在训练迭代次数达到预设次数之后完成训练；
其中，在训练中使用Dice与权重交叉熵之和作为损失函数，其定义如下：
Figure FDA0003962492280000022
Figure FDA0003962492280000031
loss=losswce+lossdice
其中，wi为不同种类标签的权重，pgt为真值，ppred为预测值。
7.根据权利要求3所述的装置，其特征在于，还包括：
优化模块，用于通过最大区域生长法方法自动计算输出三维数据中所有的连续体，并选出体积最大的连续体，以过滤其他杂质，实现对W型神经网络结构模型的优化。
CN202010075659.9A 2020-01-22 2020-01-22 基于w型网络结构的临床颞骨ct多结构提取方法及装置 Active CN111292339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010075659.9A CN111292339B (zh) 2020-01-22 2020-01-22 基于w型网络结构的临床颞骨ct多结构提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010075659.9A CN111292339B (zh) 2020-01-22 2020-01-22 基于w型网络结构的临床颞骨ct多结构提取方法及装置

Publications (2)

Publication Number Publication Date
CN111292339A CN111292339A (zh) 2020-06-16
CN111292339B true CN111292339B (zh) 2023-01-10

Family

ID=71026670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010075659.9A Active CN111292339B (zh) 2020-01-22 2020-01-22 基于w型网络结构的临床颞骨ct多结构提取方法及装置

Country Status (1)

Country Link
CN (1) CN111292339B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192089B (zh) * 2021-04-12 2022-07-19 温州医科大学附属眼视光医院 一种用于图像分割的双向交叉连接的卷积神经网络

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009598A (zh) * 2018-11-26 2019-07-12 腾讯科技（深圳）有限公司 用于图像分割的方法和图像分割设备
CN110136119A (zh) * 2019-05-16 2019-08-16 杭州健培科技有限公司 一种基于深度学习的肺裂分割及完整性评估的方法和系统
CN110544264A (zh) * 2019-08-28 2019-12-06 北京工业大学 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003260B (zh) * 2018-06-28 2021-02-09 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009598A (zh) * 2018-11-26 2019-07-12 腾讯科技（深圳）有限公司 用于图像分割的方法和图像分割设备
CN110136119A (zh) * 2019-05-16 2019-08-16 杭州健培科技有限公司 一种基于深度学习的肺裂分割及完整性评估的方法和系统
CN110544264A (zh) * 2019-08-28 2019-12-06 北京工业大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
3D deep supervised densely network for small organs of human temporal bone segmentation in CT images;Xiaoguang Li等;《Neural Networks》;20200115;全文 *
W-net：Bridged U-net for 2D Medical Image Segmentation;Wanli Chen等;《arXiv》;20180712;摘要，第3-4部分 *
基于三维动态区域生长算法的肝脏自动分割;仇清涛等;《中国医学物理学杂志》;20170725(第07期);全文 *

Also Published As

Publication number Publication date
CN111292339A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110544264B (zh) 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
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN108053417B (zh) 一种基于混合粗分割特征的3D U-Net网络的肺分割装置
CN110047082B (zh) 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统
CN105957063B (zh) 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统
CN113012172B (zh) 一种基于AS-UNet的医学图像分割方法及系统
CN101576997B (zh) 基于二次三维区域生长的腹部器官分割方法
CN109389585B (zh) 一种基于全卷积神经网络的脑组织提取方法
CN109118495B (zh) 一种视网膜血管分割方法和装置
CN115661144B (zh) 基于可变形U-Net的自适应医学图像分割方法
CN110310280B (zh) 肝胆管及结石的图像识别方法、系统、设备及存储介质
CN113870289B (zh) 一种解耦分治的面神经分割方法和装置
CN110675411A (zh) 基于深度学习的宫颈鳞状上皮内病变识别算法
CN114241070B (zh) Ct图像去金属伪影以及模型训练的方法和装置
CN113592794B (zh) 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法
CN111369574B (zh) 一种胸腔器官的分割方法及装置
CN111080591A (zh) 基于编码解码结构结合残差模块的医学图像分割方法
CN112862805B (zh) 听神经瘤图像自动化分割方法及系统
CN110859642B (zh) 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质
CN112785603A (zh) 一种基于Unet和超像素的脑组织分割方法
CN110738660A (zh) 基于改进U-net的脊椎CT图像分割方法及装置
CN114627035A (zh) 一种多聚焦图像融合方法、系统、装置及存储介质
CN111292339B (zh) 基于w型网络结构的临床颞骨ct多结构提取方法及装置
CN112634308B (zh) 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant