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
专利汇可以提供一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法专利检索，专利查询，专利分析的服务。并且一种基于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。，下面是一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法专利的具体信息内容。
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：
1)编码阶段：
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；
记Xl为lth层的输出，x0…xl-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:
Xl＝Hl([x0，x1，…，xl-1])#(1)
其中[.]表示不同层输出特征的聚合操作，Hl(·)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；
第二步，多池化特征融合；
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 average pooling，将池化之后的张量特征拼接；
2)解码阶段：
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；
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；
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:
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)，xi与yi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：
其中Nk表示待分割体素数据中目标体素标记的数量，Nc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：
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：
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。
2.一种基于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，具体包括以下步骤：
采用颞骨CT数据集进行训练和测试；颞骨CT数据集包含不同年龄、不同性别的颞骨CT影像数据；每例数据经过多平面重建之后分辨率为420×420；采用标注软件对多平面重建之后的数据进行标注，标注锤骨、砧骨、耳蜗外壁、耳蜗内腔、外半规管、后半规管、前半规管、前庭和内听道共9个关键解剖结构；
采用的数据预处理包括多平面重建和数据标注两个阶段；
(1)多平面重建阶段
原始CT成像受准直、螺距等扫描参数设置以及患者体位的影响，成像呈现不同的程度的歪斜，双侧的颞骨关键解剖结构不对称；
采用后处理工作站对原始的CT数据进行多平面重建，具体操作步骤如下：
第一步：外半规管对称；在矢状观测位找到外半规管最饱满的层，让参考线平行且平分外半规管；切换到轴位观测位，前后旋转右侧图像找到外半规管最饱满的一层，左右旋转轴位图像使双侧外半规管对称；
第二步：规范化处理；将图像的比例尺统一设定为1:1，使扫描图像大小与实际尺寸一致；设置一个宽为10cm，长度为图像长的矩形框，将外半规管置于其中并且确保外半规管上边缘距矩形框上下边均为5cm，裁剪图像；
第三步：批量处理；
(2)数据标注阶段
第一步：将多平面重建之后的图像导入到Materialise Mimics软件中，为不同的关键解剖结构新建不同的Mask,为每个Mask设置允许标注的阈值范围；
第二步：分别对颞骨9个关键解剖结构的进行体素标记；
第三步：对标注的结果审核和修改；
第四步：导出每个9个关键解剖结构的dicom图像。
3.一种基于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，分为两个阶段：编码阶段和解码阶段；
(1)编码阶段
编码阶段的具体实现步骤如下：
a)密集连接提取特征
第一步：提取用于训练的立方体；在输入数据420×420×60体素的立方体中随机抽取一个48×48×48的原始数据立方体和标注数据立方体；检查标注数据立方体中的标签是否包含1，若不包含1说明抽取到的立方体不含目标解剖结构，需要重新抽取直到标注立方体中包含标签1；为了排除背景像素对分割任务造成的影响，根据9个颞骨关键解剖结构阈值范围设置目标解剖结构的阈值区间为-999～2347，将小于-999的胡氏值设置为-999，大于
2347的胡氏值设置为2347；将立方体的胡氏值除以255；然后将其归一化为均值为0方差为1的数据分布；通过对原始数据和标注数据同时旋转一个角度(-25～25度)实现数据增强；
第二步：特征提取；对于提取到的原始数据立方体先采用一个3×3×3的卷积核提取特征，三个维度的步长均为1，卷积padding的模式采用SAME，采用0进行填充，得到64个特征；
然后将这些特征输入一个3层的密集连接网络，密集连接块之内每次卷积操作的输入为前面所有卷积输出的特征的聚合，密集连接网络采用的卷积核大小、步长、填充方式与前面所述相同；
第三步：特征降维；密集连接块内聚合前面输出的特征，之后采用瓶颈策略减少特征图的数量；先将特征进行批量正则化和ReLU激活操作，再采用3×3×3的卷积核输出4k个特征，其中k为增长率；
b)多池化特征融合
不同的密集连接网络块之间设计多池化特征融合迁移模块；
第一步：对密集连接网络块提取的特征进行批量正则化并采用ReLU激活函数增加网络的非线性；然后采用3×3×3大小的三维卷积核提取特征，采用dropout防止过拟合问题，其中dropout rate为0.5；
第二步：对特征分别进行的3D max pooling和3D average pooling，池化核的大小为2×2×2，三个维度的步长均为2；3D max pooling选取池化核空间范围内的最大值；3D average pooling选取池化核空间范围内的平均值；将max pooling和average pooling后得到的特征拼接在一起；
(2)解码阶段
解码阶段的具体实现步骤如下：
a)长短跳跃连接相结合；
第一步：记编码阶段第一个、第二个和第三个密集连接网络块输出的特征分别为F1,F2,F3其分辨率分别为48×48×48，24×24×24，12×12×12；对F3特征进行转置卷积操作，三个维度的步长均为2，padding模式为SAME，用0进行填充，转置卷积后得到的特征组T2的分辨率为24×24×24；
第二步：将编码阶段第二个密集连接网络块输出的特征F2与T2拼接组成新的特征组D2；
采用3D卷积提取D2的特征；
第三步：编码阶段第一个密集连接网络输出的特征F1先经过一个3D卷积提取特征，得到
64个特征M1,对特征组D2进行转置卷积操作，将特征的分辨率恢复至48×48×48记为T1,将特征组F1，M1和T1拼接起来，得到特征组D1,其中M1和F1分别是通过短连接和长连接的形式拼接的；
b)3D深监督机制
第一步：对解码阶段输出的特征组D2先进行转置卷积操作恢复分辨率至48×48×48，再采用1×1×1大小的卷积核卷积，输出特征立方体的数目为2个，采用softmax计算每个体素为目标解剖结构的概率值记为aux_pred1；
第二步：对编码阶段输出的特征组M1同样采用1×1×1大小的卷积核卷积，采用softmax计算每个体素的分类概率记为aux_pred2；
第三步：对特征组D1先后采用3×3×3大小的卷积核提取特征，分别输出128和64个特征，再对其采用1×1×1大小的卷积核卷积，最后采用softmax计算每个体素的分类概率记为main_pred；
第四步：第一步和第二步得到的预测体素立方体为辅助预测结果，第三步得到的预测体素立方体为主干网络预测结果；将aux_pred1、aux_pred2和main_pred分别与ground truth计算交叉熵损失函数和DSC损失函数，辅助预测结果计算得到的损失函数与主干网络损失函数共同构成联合损失函数指导网络训练。
4.一种基于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，具体包括以下步骤：
下面介绍网络训练和测试的过程：
为每个要分割的颞骨关键解剖结构分别训练一个分割模型；网络接收的输入数据的尺寸为48×48×48，真实目标中包含了2个标签，0表示背景，1表示目标解剖结构；网络的输出与输入的尺寸相同，输出2个立方体，其中分别表示对背景和前景的分割结果；
a)模型训练
网络训练时batch size设为1，初始的学习率为0.001，动量系数为0.5，每个batch训练完成后即随机在验证集中抽取一例数据进行验证；每隔10000次保存一次模型共迭代
180000次以上；
b)模型测试
多平面重建后每个人的CT数据的尺寸为420×420×60体素，为了满足模型接收的输入数据尺寸，在测试阶段采用无缝分割策略：首先将待测试数据按照无缝分割策略分解为若干个大小为48×48×48体素的立方体，重叠因子为4；然后将其分别送入训练好的模型得到预测结果，最后将这些小立方体的预测结果重新组合起来得到最终的待测数据的分割结果。
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
技术领域
背景技术
发明内容
0.5。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种气液分流式多功能液体取样器及其使用方法 | 2020-05-23 | 0 |
| 一种检测弹丸在膛内运动规律的方法 | 2020-07-29 | 0 |
| 一种基于机器学习的地震震相初至识别方法及识别系统 | 2020-11-23 | 0 |
| 三维星地链路密织网探测三维降雨场的方法及系统 | 2021-07-06 | 2 |
| 一种数显直流表及其电压采样电路 | 2021-07-15 | 1 |
| 一种面向人物交互的网络权重生成少样本图像分类方法 | 2022-12-06 | 1 |
| 一种基于红外图像拼接融合算法的高压容器检测方法 | 2021-12-01 | 0 |
| 一种用于喀斯特地区试验土壤结皮采集装置及其使用方法 | 2022-10-29 | 1 |
| 一种可调节便携式水溶气采样装置 | 2020-07-09 | 1 |
| 接触器控制器电路结构 | 2021-11-16 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
