[发明专利]一种融合离散特征的医学影像中器官深度学习分割方法

权利要求书

1.一种融合离散特征的医学影像器官深度学习分割方法，其特征在于：适于在计算设备中执行，包括如下步骤：

(1)基于词袋模型把各离散特征集的元素分别表示为用独热向量表示的词向量；

(2)把各个离散特征集中以独热向量表示的词向量输入到语义分割前置预处理神经网络的嵌套层中，嵌套层将各离散特征集中的独热向量分别转换成具有相同固定长度的实数特征向量；

(3)在语义分割前置预处理神经网络中将步骤(2)得到的实数特征向量进行融合，得到各离散特征集的融合后的特征向量；

(4)将步骤(3)中得到的融合后的特征向量输入到语义分割前置预处理神经网络中的全连接层中，全连接层将融合后特征向量转换成一个与待处理的医学影像像素或体素数相同的一维特征向量；

(5)将步骤(4)中得到的一维特征向量重构成与待处理的医学影像尺寸相同的二维或三维矩阵表示；

(6)把步骤(5)中的得到的二维或三维矩阵表示与待处理的医学影像进行融合，将融合结果作为语义分割深度学习网络的输入，进而对其进行语义分割网络训练。

2.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：步骤(1)中，所述离散特征集包括成像中心特征集、扫描机器特征集、扫描序列特征集、性别特征集、年龄层次特征集、地域特征集或人种特征集中的一种或多种。

3.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：所述的离散特征集中独热向量的长度等于离散特征集中所定义的元素的数量。

4.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：步骤(2)中，嵌套层通过词嵌套方式把不同离散特征集的独热向量分别转换成具有相同固定长度的实数向量。

5.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：步骤(5)中，一维特征向量重构后的矩阵尺寸与输入的医学影像的矩阵尺寸相同。

6.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：步骤(3)或步骤(6)中所述的融合通过加和，求差，点乘，拼接或均值实现。

7.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：步骤(6)中，把二维或三维矩阵表示作为医学图像的一个通道进行融合。

8.根据权利要求1所述的融合离散特征的医学影像器官深度学习分割方法，其特征在于：所述的图像语义分割网络的维度与输入的医学影像的维度一致。

9.一种计算设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括指令，所述指令用于执行如权利要求1~8中任一项所述的融合离散特征的医学影像器官深度学习分割方法。

10.一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行如权利要求1~8中任一项所述的融合离散特征的医学影像器官深度学习分割方法。