買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉湖南科技大學(xué)申請(qǐng)的專利一種腹部CT序列圖像中的肝臟區(qū)域自動(dòng)精確分割方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115690066B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202211403625.3，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種腹部CT序列圖像中的肝臟區(qū)域自動(dòng)精確分割方法是由廖苗;邸拴虎;梁偉;趙于前;楊振;曾業(yè)戰(zhàn)設(shè)計(jì)研發(fā)完成，并于2022-11-10向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種腹部CT序列圖像中的肝臟區(qū)域自動(dòng)精確分割方法在說(shuō)明書摘要公布了：本發(fā)明公開了一種腹部CT序列圖像中的肝臟區(qū)域自動(dòng)精確分割方法，主要包括：1對(duì)于待檢測(cè)CT序列，首先從矢狀面、冠狀面和橫切面三個(gè)視圖方向重構(gòu)二維切片；2采用基于空洞空間金字塔卷積的U型2D卷積網(wǎng)絡(luò)對(duì)不同視圖方向的二維切片進(jìn)行分割；3采用一種輕量級(jí)的3D卷積網(wǎng)絡(luò)對(duì)不同視圖方向的分割結(jié)果進(jìn)行融合，獲取CT序列中各體素屬于目標(biāo)的概率；5根據(jù)所獲取的概率，構(gòu)建全連接條件隨機(jī)場(chǎng)能量函數(shù)，通過(guò)最小化能量函數(shù)獲取精確的肝臟分割結(jié)果。本發(fā)明通過(guò)融合不同視圖方向信息，提取CT序列三維特征，并通過(guò)引入全連接條件隨機(jī)場(chǎng)，獲得三維肝臟分割結(jié)果，準(zhǔn)確性高、魯棒性強(qiáng)。

本發(fā)明授權(quán)一種腹部CT序列圖像中的肝臟區(qū)域自動(dòng)精確分割方法在權(quán)利要求書中公布了：1.一種腹部CT序列圖像中的肝臟區(qū)域自動(dòng)精確分割方法，其特征在于，包括以下步驟： 1建立包含原始CT序列圖像和肝臟區(qū)域手動(dòng)分割結(jié)果的原始訓(xùn)練數(shù)據(jù)集A和B； 2構(gòu)建基于空洞空間金字塔卷積的U型2D卷積網(wǎng)絡(luò)，記作ASPP-UNet，具體包括： 2-a采用U形網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，該主干網(wǎng)絡(luò)包含三個(gè)編碼層、兩個(gè)跳躍連接、一個(gè)空洞空間金字塔卷積層、三個(gè)解碼層和和一個(gè)1×1卷積層，其中：第一個(gè)編碼層的輸出不僅作為第二個(gè)編碼層的輸入，同時(shí)還通過(guò)第一個(gè)跳躍連接與第二個(gè)解碼層相連作為該解碼層的輸入；第二個(gè)編碼層的輸出不僅作為第三個(gè)編碼層的輸入，同時(shí)還通過(guò)第二個(gè)跳躍連接與第一個(gè)解碼層相連作為該解碼層的輸入；第三個(gè)編碼層的輸出作為空洞空間金字塔卷積層的輸入，且空洞空間金字塔卷積層的輸出作為第一個(gè)解碼層的輸入；此外，上一個(gè)解碼層的輸出均作為下一個(gè)解碼層的輸入；為了得到分割結(jié)果，將最后一個(gè)解碼層與一個(gè)1×1卷積層相連，其中最后一個(gè)解碼層的輸出作為1×1卷積層的輸入，1×1卷積層的輸出為各像素屬于目標(biāo)的概率，通過(guò)引入閾值ε1，即可得到分割結(jié)果； 2-b在步驟2-a所述的主干網(wǎng)絡(luò)中，每個(gè)編碼層均由兩個(gè)2D卷積模塊連接組成，即2D雙卷積模塊，其中每個(gè)2D卷積模塊包含一個(gè)大小為3×3的卷積層，一個(gè)批歸一化層和一個(gè)Relu激活層；為了對(duì)圖像進(jìn)行下采樣，第二和第三個(gè)編碼層中，2D雙卷積模塊的末尾均增加1個(gè)大小為2×2的最大池化層； 2-c在步驟2-a所述的主干網(wǎng)絡(luò)中，空洞空間金字塔卷積層具體包括： 采用n個(gè)具有不同采樣半徑{rv|v＝1,2,...,n}的3×3卷積核分別對(duì)輸入特征圖進(jìn)行空洞卷積，并將空洞卷積結(jié)果進(jìn)行拼接作為該空洞空間金字塔卷積層的輸出，其中n為大于1的自然數(shù)；為了擴(kuò)大卷積核的感受野、獲取多尺度的上下文信息，采樣半徑設(shè)置為rv＝k×v+1，其中k為大于0的自然數(shù)； 2-d在步驟2-a所述的主干網(wǎng)絡(luò)中，第一和第二個(gè)解碼層均由一個(gè)步驟2-b所述的2D雙卷積模塊、一個(gè)2×2反卷積層和一個(gè)拼接操作連接組成，第三個(gè)解碼層僅由一個(gè)步驟2-b所述的2D雙卷積模塊組成，其中：第一個(gè)解碼層中2D雙卷積模塊的輸入為空洞空間金字塔卷積層的輸出，此后，下一個(gè)解碼層中2D雙卷積模塊的輸入均為上一個(gè)解碼層的輸出；第一個(gè)解碼層中的拼接操作用于拼接該解碼層中反卷積結(jié)果和第二個(gè)編碼層的輸出，拼接結(jié)果作為該解碼層的輸出；第二個(gè)解碼層中的拼接操作用于拼接該解碼層中反卷積結(jié)果和第一個(gè)編碼層的輸出，拼接結(jié)果作為該解碼層的輸出； 3構(gòu)建輕量級(jí)的3D卷積網(wǎng)絡(luò)，記作LW-3DNet，該網(wǎng)絡(luò)涉及三個(gè)輸入和一個(gè)輸出，網(wǎng)絡(luò)具體結(jié)構(gòu)包括：首先采用三個(gè)3D雙卷積模塊，分別對(duì)三個(gè)輸入進(jìn)行卷積，然后采用拼接操作將卷積結(jié)果進(jìn)行拼接，并采用一個(gè)3D雙卷積模塊對(duì)拼接結(jié)果進(jìn)行卷積，得到特征圖F，最后，采用一個(gè)1×1×1卷積層對(duì)特征圖F進(jìn)行卷積，1×1×1卷積層的輸出為各體素屬于目標(biāo)的概率；步驟3中所述的3D雙卷積模塊均由兩個(gè)3D卷積模塊連接組成，其中每個(gè)3D卷積模塊包含一個(gè)大小為3×3×3的卷積層，一個(gè)批歸一化層和一個(gè)Relu激活層； 4利用ASPP-UNet，訓(xùn)練多個(gè)可用于分割不同視圖方向二維切片的網(wǎng)絡(luò)模型，具體步驟包括：對(duì)于訓(xùn)練數(shù)據(jù)集A中的每一個(gè)CT序列，首先分別從矢狀面、冠狀面和橫切面三個(gè)視圖方向重構(gòu)二維切片，獲取不同視圖方向的二維切片，分別記作和然后，將訓(xùn)練數(shù)據(jù)集中獲取的矢狀面視圖方向的二維切片及其對(duì)應(yīng)的二維切片手動(dòng)分割結(jié)果輸入ASPP-UNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取可用于分割矢狀面二維切片的網(wǎng)絡(luò)模型ASPP-UNetX，將訓(xùn)練數(shù)據(jù)集中獲取的冠狀面視圖方向的二維切片及其對(duì)應(yīng)的二維切片手動(dòng)分割結(jié)果輸入ASPP-UNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取可用于分割冠狀面二維切片的網(wǎng)絡(luò)模型ASPP-UNetY，將訓(xùn)練數(shù)據(jù)集中獲取的橫切面視圖方向的二維切片及其對(duì)應(yīng)的二維切片手動(dòng)分割結(jié)果輸入ASPP-UNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取可用于分割橫切面二維切片的網(wǎng)絡(luò)模型ASPP-UNetZ； 5利用LW-3DNet，訓(xùn)練一個(gè)可用于融合不同視圖方向分割結(jié)果的網(wǎng)絡(luò)模型，具體包括： 5-a構(gòu)建LW-3DNet網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集C，具體包括：首先，對(duì)于原始訓(xùn)練數(shù)據(jù)集B中的每一個(gè)CT序列，分別從矢狀面、冠狀面和橫切面三個(gè)視圖方向重構(gòu)二維切片，獲取不同視圖方向的二維切片，分別記作和然后，分別將和輸入至已訓(xùn)練好的網(wǎng)絡(luò)模型ASPP-UNetX、ASPP-UNetY和ASPP-UNetZ中進(jìn)行測(cè)試，得到不同視圖方向的二維切片分割結(jié)果SX、SY和SZ；最后，將網(wǎng)絡(luò)預(yù)測(cè)的SX、SY和SZ作為L(zhǎng)W-3DNet網(wǎng)絡(luò)訓(xùn)練的輸入，訓(xùn)練數(shù)據(jù)集B中CT序列三維手動(dòng)分割結(jié)果作為標(biāo)簽，構(gòu)建LW-3DNet網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集C； 5-b將訓(xùn)練數(shù)據(jù)集C輸入LW-3Dnet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的網(wǎng)絡(luò)模型LW-3DNetF； 6對(duì)于待檢測(cè)CT序列，首先分別從矢狀面、冠狀面和橫切面三個(gè)視圖方向進(jìn)行二維切片重構(gòu)，獲取CT序列圖像不同視圖方向的二維切片，分別記作TX、TY和TZ；然后，分別將TX、TY和TZ輸入到已訓(xùn)練好的網(wǎng)絡(luò)模型ASPP-UNetX、ASPP-UNetY和ASPP-UNetZ中進(jìn)行測(cè)試，得到不同視圖方向的二維切片分割結(jié)果FX、FY和FZ；最后，將FX、FY和FZ輸入LW-3DNetF網(wǎng)絡(luò)模型進(jìn)行測(cè)試，得到CT序列各體素屬于目標(biāo)的概率其中表示第i個(gè)體素屬于肝臟的概率，N為待檢測(cè)CT序列的體素?cái)?shù)目； 7利用全連接條件隨機(jī)場(chǎng)獲取精確的肝臟分割結(jié)果，具體包括： 7-a對(duì)于待檢測(cè)的CT序列，構(gòu)建全連接條件隨機(jī)場(chǎng)能量函數(shù)： 其中，x＝{xi|i＝1,...,N}，xi表示為第i個(gè)體素分配的標(biāo)簽，φuxi和φpxi,xj分別為一階能量項(xiàng)和二階能量項(xiàng)；φuxi表示為第i個(gè)體素分配標(biāo)簽xi的代價(jià)，計(jì)算公式如下： φuxi＝-logPxi 其中，Pxi表示將第i個(gè)體素分配標(biāo)簽為xi的概率，計(jì)算公式如下： 其中，表示第i個(gè)體素屬于肝臟的概率，由步驟6所述方式獲取，φpxi,xj表示分別為第i和第j個(gè)體素分配標(biāo)簽xi和xj的代價(jià)，計(jì)算公式如下： φpxi,xj＝μxi,xj·Gfi,fj 其中，fi和fj分別表示第i和第j個(gè)體素的特征向量，包含位置、強(qiáng)度特征，Gfi,fj表示應(yīng)用于特征向量fi和fj上的高斯勢(shì)能函數(shù)，μxi,xj為類別兼容性函數(shù)，用于約束能量?jī)H在相同類別標(biāo)簽的體素對(duì)之間傳遞，即具有相同類別標(biāo)簽體素對(duì)之間才能相互影響；針對(duì)CT序列圖像肝臟分割這一二分類問題，采用對(duì)比度敏感的雙核高斯勢(shì)能函數(shù)： Gfi,fj＝Gafi,fj+Gsfi,fj 其中，Ga和Gs分別為表面核和平滑核；表面核用于為位置鄰近、強(qiáng)度相似的像素分配相同的標(biāo)簽，平滑核用于移除孤立的小區(qū)域，具體計(jì)算公式如下： 其中，β1和β2分別為表面核和平滑核的權(quán)重參數(shù)，Li和Lj分別為第i和第j個(gè)體素的空間位置，Ii和Ij分別為第i和第j個(gè)體素的強(qiáng)度，||Li-Lj||表示求Li和Lj的歐氏距離，|Ii-Ij|表示求Ii和Ij差的絕對(duì)值，參數(shù)σα和σβ分別用于控制被分配為同一類標(biāo)簽的體素之間的空間鄰近度和強(qiáng)度相似度，參數(shù)σγ用于控制區(qū)域的平滑度； 7-b采用平均場(chǎng)近似方法最小化全連接條件隨機(jī)場(chǎng)能量函數(shù)Ex，獲取最優(yōu)的標(biāo)簽分配結(jié)果，即為最終的肝臟分割結(jié)果。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人湖南科技大學(xué)，其通訊地址為：411201 湖南省湘潭市雨湖區(qū)石碼頭2號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。