[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

说明书

本发明属于医学影像和人工智能技术领域，涉及一种融合离散特征的医学影像器官深度学习分割方法、设备和存储介质。包括步骤：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；转换成具有相同固定长度的实数特征向量，融合后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；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，与待处理的医学影像进行融合后，得到语义分割深度学习网络的输入，进而对其进行图像语义分割网络训练。本发明在网络输入的图像学习网络中，允许非图像的其与图像相关的离散特征信息进入网络进行学习；克服了传统靠扩充数据的方法来进行网络训练的数据采集成本高甚至不可执行性的缺陷。

技术领域

本发明属于医学影像和人工智能技术领域，涉及一种融合离散特征的医学影像器官深度学习分割方法、设备和存储介质。

背景技术

目前，使用深度学习神经网络架构对医学影像(例如CT、MRI、PET等)进行器官分割的时候，通常的网络输入局限于固定尺寸的一种或多种医学影像数据，这些影像数据在计算机输入上都被表征为相同尺寸的矩阵或向量。然而，考虑到医学影像数据可能来自于不同的扫描中心(如不同的医院和实验室)，可能来自于不同厂家的扫描机器(如飞利浦、西门子、通用电气)，可能来自于不同地域、不同人种、不同年龄、不同性别的受试者，这些各种不同的离散信息对于基于影像学的器官分割任务存在重要的辅助指导意义。但目前在基于深度学习的医学影像器官分割的网络实现中，尚未有能把这些离散信息有效整合到深度学习网络模型中直接作为有效特征辅助网络训练的做法。最多对于不同中心、不同扫描机器的数据进行多来源的数据增强来增强模型学习的鲁棒性，但这种方法要求采集尽可能多的数据，对于数据成本、数据采集的可操作性、网络训练难度和时间都是巨大的挑战，事实上也无法从根本上通过穷举去获取所有可能的多样化样本。

发明内容

本发明的目的在于为克服现有技术的缺陷而提供一种融合离散特征的医学影像器官深度学习分割方法、设备和存储介质。

为实现上述目的，本发明采用以下技术方案：

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

(1)基于词袋模型(bag of word)把各离散特征集的元素分别表示为用独热向量(one-hot vector)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(Embedding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(full connection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(reshape)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，将融合结果输入到语义分割深度学习网络，进而对其进行语义分割网络训练。

本发明进一步优选地：

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、人种特征集等中的一种或多种。

所述的离散特征集中独热向量(one-hot vector)的长度等于离散特征集中所定义的元素的数量。