[发明专利]基于层级监督级联金字塔网络的胰腺分割方法及装置

权利要求书

1.基于层级监督级联金字塔网络的胰腺分割方法，其特征在于，包括如下步骤：

步骤a：获取待分割的CT影像图片；

步骤b：将待分割的CT影像图片输入胰腺器官分割模型建立方法得到的胰腺器官分割模型，获得胰腺器官分割概率图；

步骤c：获取胰腺器官分割概率图的前景图作为胰腺器官分割结果；

所述的胰腺器官分割模型建立方法，包括如下步骤：

步骤1：获取CT影像数据集并进行预处理，对CT影像数据集中每一张CT影像种的胰腺器官进行标注，将标注的胰腺器官作为标签，将标注完的CT影像数据集作为带标签的训练集；

步骤2：构建分割模型，所述的分割模型包括层级监督的金字塔网络和细粒度精修网络；所述的层级监督的金字塔网络用于提取训练集中CT影像的不同层级的胰腺器官语义特征；所述的细粒度精修网络用于将层级监督的金字塔网络提取到的胰腺器官语义特征进行特征融合，输出胰腺器官分割概率图；

所述的层级监督的金字塔网络包括编码器、解码器和残差学习单元，所述的编码器和解码器用于提取不同层级的CT影像的胰腺器官语义特征，所述的残差学习单元用于恢复胰腺器官语义特征的细节信息和空间分辨率信息；

所述的细粒度精修网络包括bottleneck块层，所述的bottleneck块层用于将解码器输出的不同层级的胰腺器官语义特征进行统一尺度后进行特征融合；

步骤3：根据步骤1获取的训练集和标签集对步骤2构建的分割模型进行训练，训练时将戴斯相似度系数损失作为损失函数，获得训练好的分割模型，将训练好的分割模型作为胰腺器官分割模型。

2.如权利要求1所述的基于层级监督级联金字塔网络的胰腺分割方法，其特征在于，所述的编码器和解码器均为N层，N≥3，所述的残差学习单元设置在编码器之后，所述的细粒度精修网络设置在解码器之后；

所述的细粒度精修网络包括bottleneck块层，所述的bottleneck块层为N层且随着层数增加bottleneck块层中bottleneck块的个数依次递增，所述的每个bottleneck块包括主路和支路，所述的主路包括依次相连的1×1卷积块、3×3卷积块和1×1卷积块，所述的支路包括一个1×1卷积块。

3.如权利要求1所述的基于层级监督级联金字塔网络的胰腺分割方法，其特征在于，步骤2中所述的残差学习单元采用预训练的ResNet-50网络。

4.基于层级监督级联金字塔网络的胰腺分割装置，其特征在于，包括数据采集模块、模型建立模块、模型训练模块、图像采集单元和胰腺器官分割单元：

所述的数据采集模块用于获取CT影像数据集并进行预处理对CT影像数据集中每一张CT影像进行胰腺器官标注，将标注完的CT影像数据集作为训练集；

所述的模型建立模块用于构建分割模型，所述的分割模型包括层级监督的金字塔网络和细粒度细粒度精修网络；所述的层级监督的金字塔网络用于提取训练集中CT影像的胰腺器官语义特征，所述的细粒度精修网络用于将层级监督的金字塔网络提取到的胰腺器官语义特征进行特征融合，输出胰腺器官分割概率图；

所述的层级监督的金字塔网络包括编码器、解码器和残差学习单元，所述的编码器和解码器均为N层，N≥3，所述的残差学习单元设置在编码器之后，所述的细粒度精修网络设置在解码器之后；

所述的细粒度精修网络包括bottleneck块层和特征融合层，所述的bottleneck块层为N层且随着层数增加bottleneck块层中bottleneck块的个数依次递增，所述的每个bottleneck块包括主路和支路，所述的主路和支路的输出均连接特征融合层，所述的主路包括依次相连的1×1卷积块、3×3卷积块和1×1卷积块，所述的支路包括一个1×1卷积块；

所述的模型训练模块用于根据数据采集模块获取的训练集和标签集对模型建立模块构建的分割模型进行训练，训练时将戴斯相似度系数损失作为损失函数，获得训练好的分割模型，将训练好的分割模型作为胰腺器官分割模型；

所述的图像采集单元用于获取待分割的CT影像图片；

所述的胰腺器官分割单元用于将待分割的CT影像图片输入模型训练模块得到的胰腺器官分割模型，获得胰腺器官分割概率图；并获取胰腺器官分割概率图的前景图作为胰腺器官分割结果。