[发明专利]一种基于深度学习的3D肺部病灶分割方法、装置

权利要求书

1.一种基于深度学习的3D肺部病灶分割方法，其特征在于，所述方法包括以下步骤：

获取肺结节dicom图像，对所述dicom图像进行预处理；

将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；

将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；

对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。

2.根据权利要求1所述的分割方法，其特征在于，所述球面分割模型的训练过程包括：

对所述dicom图像的标注数据进行预处理得到球坐标数据；

构建基于ResNeSt-34的特征图金字塔网络FPN和循环特征金字塔网络RFP；

基于上述构建的网络提取特征图；

将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标数据进行损失函数的计算，求解出最优化的模型。

3.根据权利要求1所述的分割方法，其特征在于，对所述dicom图像进行预处理包括；

图像归一化和图像增强；

其中，图像归一化包括，使用窗宽窗位值分别为500,-1500,对所述dicom图像通过窗宽窗位调整图像值得到归一化到像素值为0-255的图像。

4.根据权利要求2所述的分割方法，其特征在于，对所述dicom图像的标注数据进行预处理得到球坐标数据包括：

根据所述dicom图像的标注数据，得到数据的坐标信息以及分割轮廓；

对所述dicom图像的标注数据按照空间距离进行一致性插值，将体素的每个维度的单位值通过3次线性插值的插值方式设置为相同的值；

所述dicom图像的标注数据插值完成后，计算回归像素的球坐标空间位置；其中，球坐标的空间表达式如下：

z＝rcosθ

其中，n在本发明中取值36，m在本发明中取值为36，r为球心坐标从每一个对应θ和角度到达物体边缘的长度。

5.根据权利要求4所述的分割方法，其特征在于，将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标数据进行损失函数的计算包括：

第一部分回归特征图对应的类别，其大小为D*H*W*k，其中DHW分别对应特征图的长宽高三个维度，k为类别数，设置为1，激活函数为sigmoid，即通过概率值判断其是否为结节，使用的损失函数为Focalloss；

第二部分为特征图对应的球坐标的中心度，其大小为D*H*W*1，DHW为特征图的长宽高三个维度，中心度的计算式如下：

其中d_i为第个射线的长度，其中球坐标会回归n条射线，其中，本发明中n取72(代表36+36)，按照球坐标的θ和进行均匀取值得到，即θ从0-2π等间距取36个值，从0-2π等间距取36个值，得到72个回归直线，代表从中心点到72个方向上的回归距离；

第三部分为回归特征图对应的球坐标n个角度上离中心点的距离，其大小为D*H*W*n，在这里DHW分别为长宽高三个维度，n为n个角度，如第二部分所示，n在本发明中取值为72。

6.一种基于深度学习的3D肺部病灶分割装置，其特征在于，所述分割装置包括：

图像处理模块，用于获取肺结节dicom图像，对所述dicom图像进行预处理；

3D图像获取模块，用于将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；

回归子图获取模块，用于将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；

计算模块，用于对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。

7.一种电子设备，包括：

处理器，用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-5中任一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。