[发明专利]一种基于深度学习的肋骨提取方法及装置

权利要求书

1.一种基于深度学习的肋骨提取方法，其特征在于：包括以下步骤：

S1：训练样本预处理；

S2：建立用于肋骨提取的第一深度卷积神经网络，通过训练样本对第一深度卷积神经网络进行训练；

其中，所述第一深度卷积神经网络的损失函数为：

其中，y′为医学图像中每个像素点输出的概率值，y为对应的像素点在预先标记出的医学图像上的标签(取值为1或0)，α、γ的取值分别为0.25、2，m为预处理样本的特征图经隔行2倍、4倍、8倍采样得到的医学图像m1、m2、m3，e为步骤S2中得到的医学图像特征图e1，f为经过第一深度神经网络处理最终输出的特征图和概率图；ω(m,e)的取值为：当y属于m1点时，ω(m,e)＝0.8，当y属于m2点时，ω(m,e)＝0.6，当y属于m3点时，ω(m,e)＝0.5，当y属于e1点时，ω(m,e)＝1.0；

S3：建立用于对第一深度卷积神经网络进行判别优化的第二深度卷积神经网络；通过训练样本及第一深度卷积神经网络对训练样本的输出结果，对第一深度卷积神经网络进行优化；

其中，所述第二深度卷积神经网络的损失函数的设计方法为：将训练样本预处理输入第一深度卷积神经网络，输出的每个像素点的标签为True，基于交叉熵的方法计算损失函数；将第一深度卷积神经网络输出的肋骨概率图输入第二深度卷积神经网络，输出的每个像素点的标签为False，基于交叉熵的方法计算损失函数；

S4：通过训练后的第一深度卷积神经网络，提取医学图像中的肋骨图像。

2.根据权利要求1所述的基于深度学习的肋骨提取方法，其特征在于：所述步骤S1中训练样本预处理的方法包括：

S11：对预先标记出肋骨区域的医学图像样本，执行旋转、水平翻转、垂直翻转和/或弹性形变处理，实现样本增广；

S12：计算步骤S11获得的医学图像的水平梯度和垂直梯度图像；

S13：将医学图像灰度值及步骤S12获得的水平梯度、垂直梯度附加到医学图像数据中，得到预处理后的训练样本。

3.根据权利要求2所述的基于深度学习的肋骨提取方法，其特征在于：所述步骤S2中对第一深度卷积神经网络进行训练时，对同一个batch的输入，把困难样本单独提取出来，重复进行训练；

其中，所述困难样本是指一次训练结束后损失最大的若干个输入数据。

4.一种基于深度学习的肋骨提取装置，其特征在于：基于权利要求1-3中任一权利要求所述方法，包括：

医学图像预处理模块，用于对训练样本进行预处理；

肋骨提取模块，采用第一深度卷积神经网络结构，用于获得医学图像中每个像素点是否属于肋骨的概率；

其中，所述肋骨提取模块采用的第一深度卷积神经网络的损失函数为：

其中，y′为医学图像中每个像素点输出的概率值，y为对应的像素点在预先标记出的医学图像上的标签(取值为1或0)，α、γ的取值分别为0.25、2，m为预处理样本的特征图经隔行2倍、4倍、8倍采样得到的医学图像m1、m2、m3，e为步骤S2中得到的医学图像特征图e1，f为经过第一深度神经网络处理最终输出的特征图和概率图；ω(m,e)的取值为：当y属于m1点时，ω(m,e)＝0.8，当y属于m2点时，ω(m,e)＝0.6，当y属于m3点时，ω(m,e)＝0.5，当y属于e1点时，ω(m,e)＝1.0；

判别优化模块，采用第二深度卷积神经网络结构，用于对肋骨提取模块采用的第一深度卷积神经网络进行优化；

其中，所述判别优化模块采用的第二深度卷积神经网络的损失函数的设计方法为：将训练样本预处理输入第一深度卷积神经网络，网络输出的每个像素点的标签为True，基于交叉熵的方法计算损失函数；

将提取出的肋骨概率图输入第二深度卷积神经网络，网络输出的每个像素点的标签为False，基于交叉熵的方法计算损失函数。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述方法的步骤。

6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。