(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210796459.1 (22)申请日 2022.07.06 (71)申请人 重庆大学 地址 400030 重庆市沙坪坝区沙正 街174号 (72)发明人 文静　尹浩　王翊　张毅　杨维斌　 (74)专利代理 机构 重庆双马智翔专利代理事务 所(普通合伙) 50241 专利代理师 顾晓玲　王婷婷 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G16H 50/20(2018.01) (54)发明名称 基于双分辨率网络的两阶段全3D腹部器官 分割方法及系统 (57)摘要 本发明属于医学图像 分割技术领域， 具体公 开了一种基于双分辨率网络的两阶段全3D腹部 器官分割方法及系统， 该方法对 数据集和原始图 像进行预处理， 对预处理后的数据集和原始图 像， 进行随机 数据增强， 根据数据集， 训练粗 分割 网络和精分割网络， 将数据增强后的原始图像缩 放至预设尺 寸再输入粗分割网络， 进行腹部器官 分割， 根据粗分割获得的RO  I区域， 获取RO  I图 像并缩放为预设尺寸， 再输入精分割网络， 得到 分割结果。 采用本技术方案， 使用两阶段方法， 实 现对全3D腹部器官的分割。 权利要求书3页 说明书9页 附图3页 CN 114998307 A 2022.09.02 CN 114998307 A 1.一种基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特征在于， 包括如 下步骤： 获取数据集和原 始图像， 并对数据集和原 始图像进行 预处理； 对预处理后的数据集和原 始图像， 进行随机数据增强； 根据数据集， 训练粗分割网络和精分割网络； 将数据增强后的原 始图像缩放至预设尺寸再输入粗分割网络， 进行腹部器官分割； 根据粗分割获得的ROI区域， 获取ROI区域图像 并缩放为预设尺寸， 再输入精分割网络， 得到分割结果。 2.如权利要求1所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 对数据集和原 始图像进行 预处理的方法如下： 将所有z轴方向的间隔层数处于所有层数中最少的5％的数据去除， 将z向图层间距高 于3的数据都剔除， 得到实验数据集； 将实验数据集按照8:2的比例划分训练集和测试集， 在粗分割网络和精分割网络进行 训练前， 将图像调整为预设尺寸， 进行 标准化和归一 化处理： 其中， μ、 σ 分别为原始图像数据的均值和方差， x、 x*分别为原始图像的像素值和预处理 后的像素值。 3.如权利要求1所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 对数据集和原 始图像进行随机数据增强的方法如下： 对数据集和原 始图像进行空间几何变换和像素变换， 并预 先设置对应 变换的概 率值； 空间几何变换增加了训练样本的数量， 像素变换生成以不同数值填充的不同大小像素 遮掩点， 再与原图混合， 以扰乱 原始图像的部分特 征。 4.如权利要求1所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 训练粗分割网络的方法如下： 将数据集的图像缩小为预设尺寸， 并输入粗分割网络， 粗分割网络为3DUnet网络； 根据粗分割网络的ROI区域进行裁剪和调整， 得到所需大小的ROI图像并输入精分割网 络中。 5.如权利要求1所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 训练精分割网络的方法如下： 建立深度双 分辨率分支网络： 编码器通过改进的3D残差卷积模块和下采样模块对图像 进行下采样和特 征提取， 第i个高分辨 率特征图XHi和低分辨 率特征图XLi为： 其中， FH和FL对应高分辨率和低分辨率剩余基本块序列， TL‑H和TH‑L分别代表低到高和高 到低转化函数， R代 表Relu激活函数； 双分辨率分支特征融合： 在编码器部分的第三个stage进行双分支的特征提取， 低分辨权　利　要　求　书 1/3 页 2 CN 114998307 A 2率分支继续进行下采样， 获取更多的深层特征和语义信息； 高分辨率分支进行特征提取并 维持特征图的大小和 通道数不变， 并且两个分支之间在不同阶段进行多次双边特征融合， 充分融合空间信息和语义信息； 利用各向异性金字塔池化模块捕捉腹部场景中存在的各向异性和上下文信 息： 在双分 辨率分支逐点求和之前， 将低分辨率分支输入各向异性金字塔池化模块， 各向异性金字塔 池化模块包括各向异 性条带池化和标准空间池化， 各向异性条带池化捕捉腹部场景中存在 的各向异性和上下文信息， 从而捕捉到多器官之间的空间关系， 标准空间池化融合多尺度 特征； 将各向异性条带池化和标准空间池化的输出相结合， 通过不断地上采样将编码器提取 的语义特 征信息复原到原 始图像大小并完成对应 像素点的分类任务， 得到最终输出。 6.如权利要求5所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 两个分支之 间在不同阶段进 行多次双边特征融合， 融合空间信息和语义信息， 对于 由高分辨率到低分辨率的融合， 高分辨率特征映射在逐点求和之前通过一个步长为2的3 × 3×3卷积序列进行 下采样； 低分辨率到高分辨率的融合， 低分辨率特征映射首先通过1 ×1×1卷积压缩， 然后通过 三线性插值进行 上采样。 7.如权利要求5所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 各向异性金字塔池化模块捕捉腹部场景中存在的各向异性和上下文信息， 输入特 征图经过两个1×1×1的卷积模块后分别送入各向异性条 带池化和标准空间池化； 各向异性条带池化具有三个不同方向接收域的各向异性条带池:1 ×N×N、 N×1×N和N ×N×1， 经过由3 ×1×1、 1×3×1、 1×1×3片间卷积和上采样， 最终相加共同送入一个卷积 模块， 该卷积模块能够捕捉腹部场景中存在的各向异性和上下文信息， 从而捕捉到多器官 之间的空间关系； 标准空间池化采用两个平均池化， 步长分别为2 ×2×2和4×4×4， 经过与条带池化相 同的片间卷积和上采样， 最后和残差分支相融合， 实现多尺度特 征的融合； 将各向异性条带池化和标准空间池化的输出相结合， 共 同经过一个1 ×1×1大小的卷 积模块， 再加上输入特 征， 经过一个Relu函数后得到最终输出。 8.如权利要求5所述的基于深度双分辨率网络的两阶段全3D腹部器官分割方法， 其特 征在于， 还 包括损伤函数和深度监 督策略： 采用Dice Loss作为网络的损失函数， Dice  Loss的计算为： 则混合损失函数为: Loss(y,p)＝DiceL oss(y,p) 其中， y代 表原始图像的标签， p代 表网络模型的预测结果； 采用深度监督的策略， 在高分辨率分支的第三个stage上添加辅助损失， 则网络的整体 损失函数为： Losstotal＝Lossmain(y,p)+λ1Lossaux1(y,p) 其中Lossmain、 Lossaux1分别表示主损失和第三个sta ge的辅助损失； λ1是损失权 重。权　利　要　求　书 2/3 页 3 CN 114998307 A 3