[发明专利]一种基于深度学习的肋骨提取方法及装置

说明书

本发明实施例提供一种基于深度学习的肋骨提取方法，包括以下步骤：训练样本预处理；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；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，对第一深度卷积神经网络进行优化；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。本发明实施例一是采用样本增广的方式，提高了模型的训练效果；二是采用深度卷积神经网络，能够取得较高的识别率；三是在做特征融合时，同时考虑了边界的损失和区域的损失，更加有利于网络的收敛；四是在网络的训练部分，加大了模型对困难样本的关注，网络能更好的收敛。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于深度学习的肋骨提取方法及装置。

背景技术

医学图像分析是医生在诊断肺部疾病时普遍采用的方法。实际工作中，一方面，肋骨往往会对部分肺部组织形成遮挡，从而影响了医生对疾病的准确诊断。为了克服这一问题，可以预先将医学图像中的肋骨分离出来，从而将肋骨从医学图像中去掉，从而形成一张仅显示肺部组织结构的医学图像，减少肋骨对疾病诊断带来的不良影响。另一方面，提取出的肋骨图像，可为分析肋骨解剖结构、诊断各种相关疾病提供基础。然而，现有的肋骨提取工作通常采用人工标记的方法，该方法一是主要占用医生的大量时间，二是标记的肋骨区域精度较低，一旦标注错误，难以及时发现并纠正。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于深度学习的肋骨提取方法及装置。

第一方面，本发明实施例提供一种基于深度学习的肋骨提取方法，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；

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；

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。

进一步的，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。

进一步的，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、λ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。

进一步的，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。