[发明专利]一种胰腺和肿瘤三维图像分割系统和方法

权利要求书

1.一种胰腺和肿瘤三维图像分割方法，其特征是，包括：

获取胰腺和肿瘤三维图像，预处理时，通过软组织窗口将图像的强度值控制在设定范围内；

将所有图像裁剪成设定大小块状区域并送入卷积神经网络模型，训练网络时，在温度的引导下动态调整胰腺和肿瘤之间的学习权重，学习胰腺和肿瘤的特征；

对三维的胰腺图像及标签进行数据预处理后利用训练后的网络模型在线测试评估，输出分割结果；

采用平衡温度损失来根据温度动态调整学习权重，使得肿瘤和胰腺的分割都有很好的表现；

BTL在深度监督机制的影响下可表达为：

训练网络时结合二值交叉熵损失函数以及soft Dice损失作为NAD骨架的损失函数约束学习，在soft Dice损失中引入温度来动态调整肿瘤和胰腺之间的学习权重，以平衡特征选择；

在网络学习的初期在温度的指导下给胰腺较大的权重，随着网络的不断学习，再动态的赋予肿瘤区域更大的权重，在网络学习的过程中能够动态的学习胰腺和肿瘤的特征。

2.如权利要求1所述的一种胰腺和肿瘤三维图像分割方法，其特征是，卷积神经网络模型基于原始U-Net加入注意力机制以及深度监督机制，称为NAD骨架。

3.如权利要求2所述的一种胰腺和肿瘤三维图像分割方法，其特征是，所述注意力机制用在编码-解码器中的跳跃连接上，将编码器前四层得到的特征图经过注意力机制获得带有attention map的特征图，从而辅助解码器；

解码器解码后得到多层的分割结果，利用平衡温度损失对该NAD骨架进行约束，结合反向传播和刚性温度损失对网络的学习过程进行全局优化，缓解可能存在的局部最优的问题；

其中，BTL_k和BTL_k-1是第k和第k-1epoch的BTL，p是可接受的概率，α是阈值，T_k为当前温度；

当网络训练到近收敛状态时，用柔性温度损失来更新损失的平均移动值，通过改进学习率来进一步对卷积神经网络模型进行微调，并确定卷积神经网络模型的学习趋势和收敛范围，以进一步细化胰腺和肿瘤的分割；

其中，STL_k和STL_k-1分别为第k和k-1个epoch的STL，T_k为当前温度；是温度T_k的线性投影，参数μ、v分别设置为0.9，0.5。

4.如权利要求3所述的一种胰腺和肿瘤三维图像分割方法，其特征是，采用平衡温度损失，使网络在温度的引导下动态调整胰腺和肿瘤之间的学习权重，学习胰腺和肿瘤的特征。

5.如权利要求3所述的一种胰腺和肿瘤三维图像分割方法，其特征是，结合反向传播和刚性温度损失对网络的学习过程进行全局优化，具体为：

利用内部温度动态调整可接受的概率，随着内部温度的降低，可接受的概率减小，网络从充分训练进入收敛状态，对整个网络进行全局引导。

6.如权利要求3所述的一种胰腺和肿瘤三维图像分割方法，其特征是，利用柔性温度损失来辅助网络在第k次损失的情况下自适应调整学习率。