[发明专利]一种基于深度学习的病变区域自动分割方法

权利要求书

1.一种基于深度学习的病变区域自动分割方法，其特征在于，包括以下步骤：

S1)采集多个病例数据，然后对病变部位特定模态的医学图像进行标准化预处理；

S2)由医学影像师对病变区域逐层进行边缘标注，将其作为真实数据；

S3)进行训练样本的提取，其包括：从病变区域内部和病变区域之外一定距离内的体素中，随机各抽取若干体素，并以该体素为中心取固定大小的图片块用于作为下一步的训练样本；图片中心在病变区域内部的作为正样本，图片中心在病变区域外的作为负样本，正负样本的图片块中均同时包含两类体素，即，病变区域内的体素和病变区域外的体素；

S4)建立深度学习神经网络，对上述病例的正负样本进行训练；进行后处理和分割精度测评，在网络参数收敛并取得满意分割精度后，得到分割模型；

S5)对于待诊断的病例，采集同部位同样模态的医学图像，然后使用相同的预处理参数进行标准化预处理；

S6)使用分割模型自动检测病变区域，然后输出分割结果。

2.如权利要求1所述的方法，其特征在于，在步骤S4中，深度学习网络包括卷积神经网络(CNN)、循环神经网络(RNN)和二者的混合网络。

3.如权利要求2所述的方法，其特征在于，所述卷积神经网络(CNN)由卷积层、下采样层、局部规范化、Dropout、全连接层和Softmax组成；所述循环神经网络(RNN)中的每层由多个LSTM单元组成，每层在训练阶段有Dropout，最后连接Softmax；混合网络的结构包含CNN中的卷积层、RNN中的RNN层和Softmax。

4.如权利要求1所述的方法，其特征在于，对于待标注的区域每个体素，以其为中心取同样大小的图片块，然后通过训练完成的神经网络得到该体素属于病变区域的概率；对于所有体素同样进行处理后，得到该区域病变概率的热度图；对接近区域边缘的体素，如果图片块超出边缘，使用镜像进行补边。

5.如权利要求4所述的方法，其特征在于，在利用前述方法得到的热度图出现分割边缘不清晰、噪音严重的情况时，使用全局优化算法对其进行后处理，以得到平滑且清晰的分割边缘。