[发明专利]一种基于深度学习的膀胱壁自动分割工具和方法

权利要求书

1.一种基于深度学习的膀胱壁自动分割工具，其特征在于，所述的基于深度学习的膀胱壁自动分割工具包括输入端、预训练Resnet50深度神经网络、输出端、训练验证和测试单元以及整合勾画单元；所述的输入端用于输入三幅一致的核磁共振图像，作为预训练Resnet50深度神经网络的输入端，所述的输出端为膀胱壁勾画图像，所述的训练验证和测试单元采用三个不同的损失函数进行训练验证和测试，得到三个不同的神经网络模型；所述的整合勾画单元用于基于三个神经网络模型的置信度分布图，结合阈值去整合勾画结果，得出最终膀胱壁的分割图；

所述的三个不同的损失函数包括交叉熵损失函数、广义戴斯相似性损失函数和特沃斯基损失函数；

所述的交叉熵损失函数用于计算单标签和多标签分类任务的网络预测和目标值之间的交叉熵损失，交叉熵损失函数的计算公式为：

；

其中 N 是观测值，K是类数；T_ni指的是真实的分割结果，Y_ni指的是预测的分割结果；

所述的广义戴斯相似性损失函数的计算公式为：

；

其中K是分类数，M是沿预测分割结果Y_km前两个维度的元素数，Wk是特定于每个分类的权重因子，控制每个分类对结果贡献度；T_km是真实分割结果；

所述的广义戴斯相似性损失基于索伦森-戴斯相似性，用于测量两个分割图像之间的重叠；

所述的特沃斯基损失函数的计算公式为：

；

其中，c对应于类，对应于不在c类中；

T_cm指的是真实的分割结果，Y_cm指的是预测的分割结果；

M是沿预测分割结果Y_cm的前两个维度的元素数目；

α是控制每个类的假正对损失的贡献的加权因子；

β是控制每个类的假负对损失的贡献的加权因子；

所述的特沃斯基损失函数基于特沃斯基指数，用于测量两个分割图像之间的重叠。

2.根据权利要求1所述的基于深度学习的膀胱壁自动分割工具，其特征在于，所述的Resnet50深度神经网络采用迁移学习加数据增强的方案，解决深度学习有限训练数据的问题；所述的Resnet50深度神经网络采用ImageNet数据集作为训练集，使用 ResNet50 的深度学习网络结构，来训练网络参数，训练核磁共振图像时，并不需要重新训练网络结构，而是在已经学习到参数的预训练模型基础上再进行训练。

3. 根据权利要求2所述的基于深度学习的膀胱壁自动分割工具，其特征在于，所述的ImageNet数据集是包含 2 万个以上图像类别的图像数据集。

4.根据权利要求2所述的基于深度学习的膀胱壁自动分割工具，其特征在于，所述的数据增强的方案是指几何增强方案。

5.根据权利要求1所述的基于深度学习的膀胱壁自动分割工具，其特征在于，所述的整合勾画单元根据三个神经网络模型的预测勾画结果，得到分布图，然后基于得到的分布图和模型计算其置信度分布图，设置阈值对分割可靠的点进行保留，去除不可靠的点，将所述的三个神经网络模型的分割结果依次计算，进行合并，得到最终分布图。

6.一种自动分割方法，应用于如权利要求1至5任一项所述的基于深度学习的膀胱壁自动分割工具，其特征在于，包括以下步骤：采用深度学习的方法，输入端为三通道图像，包括三个一样的核磁共振图所述的三通道图像作为深度神经网络的输入端，输出端为膀胱壁勾画图像，基于Resnet50预训练模型进行迁移学习，采用三个不同的损失函数，训练验证和测试，得到三个不同的神经网络模型，然后基于三个神经网络模型的置信度分布图，结合阈值去整合勾画结果，得出最终膀胱壁的分割图。