[发明专利]基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统

说明书

本发明提供一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统，方法包括：数据预处理和扩充；多任务深度卷积网络的搭建；带有任务间约束的监督层的构建；网络的训练；数据测试结果生成。本发明提出的多任务网络含有两个通路，分别实现肝脏和肝脏肿瘤的识别分割；本发明通过通路部分共享的方法来缩小深度卷积网络体积并降低模型学习对训练数据量的要求；本发明通过在共享通路之后连接各自任务相关的特征提取模块和相应输出模块实现多任务输出；关键的是，本发明提出了一种可以利用多任务间几何关联信息的监督学习模块来达到肝脏和肝脏肿瘤分割相互约束的目的。本发明能够准确地识别和分割肝脏及其肿瘤。

技术领域

本发明涉及一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统，特别涉及通过多任务学习以及任务间关联约束实现图像中复杂目标分割的方法，属于机器学习和医学图像分析领域，具体可应用于但不限于医学图像分割任务等。

背景技术

智能医疗是当前人工智能领域一个热门的应用方向。如果能够让机器自动识别和分析医学图像，那就能帮助医生实现诊疗的精准化和个体化，并降低诊疗风险。这其中，医学图像中目标组织的自动识别和分割是一个关键的子问题。如果交给医生的医学影像已经排除了多余信息或是标注出了重要信息，医生的诊断效率将能得到大大的提高。本专利以腹部CT扫描(电子计算机断层扫描)图像中肝脏及其内部病变组织的自动标注为背景，提出一种新颖且有效的自动识别与分割方法。当前，主要的肝脏分割方法是基于交互的半自动方法，但由于该类方法的不稳定性和交互的敏感性使得其并未得到广泛应用。近年来，基于机器学习，特别是深度学习的方法，在医学图像分割中逐渐得到应用并在一些问题上取得了较好成绩，但该类方法应用在肝脏分割上还有很大缺陷，特别是应用在带有病变的肝脏分割上。其中的难点在于肿瘤组织的灰度表现完全不同于肝脏组织，且病变组织形态和位置有很大不确定性。然而，除了活体肝移植应用外，目前主要的病例都是带有病变的肝脏组织。此外，由于肿瘤分割的困难性，当前缺少能够自动进行肝脏肿瘤分割的方法。

目前，带有病变的肝脏组织分割中容易出现欠分割，即肿瘤组织没有能有效地归为肝脏的一部分；而单独的肿瘤识别和分割很容易将其他组织的病变区域划分进去。因此本发明提出了一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统，和传统的多任务学习不同的是，本发明进一步考虑了肿瘤和肝脏组织的相互几何约束关系，并将该几何约束通过一种新颖的能量损失函数进行建模和学习，从而实现了有效地分割肝脏组织和肝脏肿瘤。

发明内容

本发明要解决的关键技术问题是：如何能够有效地定位、识别并准确地分割肝脏组织；如何能有效地定位、识别并准确地分割肝脏肿瘤；面对多任务分割问题时，如何有效利用各任务间的先验关联信息从而提高各个任务分割效率和效果。在肝脏及其肿瘤分割的过程中，常常会出现以下这些状况：肝脏分割中，由于肝脏中肿瘤与肝脏外形差异大而不被识别分割的情况；肿瘤分割中，由于其他组织也有病变部分而把其他组织病变区域视为肝脏肿瘤的情况；要想达到较好的分割效果，往往要使用先分割出肝脏，再从肝脏中分割出肿瘤的效率较低的串行多任务解决方案。

本发明目的在于克服现有技术的不足，提出一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统，来实现肝脏和肝脏肿瘤的同时分割，该网络含有两个通路，分别实现肝脏和肝脏肿瘤的分割。本发明通肝脏和肝脏肿瘤分割任务共享公用特征的方法，即两个任务通路共享前端部分通路，来缩小深度卷积网络体积并降低模型学习对训练数据量的要求，在共享通路之后连接的是各自任务相关的特征提取模块和相应输出模块；进一步，本发明提出一种可以利用多任务关联信息的监督模块，具体来说就是在多个任务输出之间构造用于实现任务间几何关系约束的任务关联损失函数，该任务关联损失与各任务本身对应各自标签得到的任务相关损失共同构成该网络的总损失。本发明提出的多任务卷积网络通过有监督的方式进行训练，具体地，通过将网络总损失进行反向传播的方式进行网络参数的学习和优化。

本发明解决其技术问题所采用的技术方案是：