【技術實現步驟摘要】
本申請屬于深度學習智能識別，尤其涉及一種基于多任務神經網絡模型的多器官分割方法、裝置、電子設備及計算機可讀存儲介質。
技術介紹
1、傳統圖像分割算法是基于閾值分割、邊緣檢測或區域增長來分割醫學圖像，這類方法分割精度較差，粗略分割目標區域，不能精確分割目標區域邊界，且不能進行多器官分割。
2、因此，如何又快又準地進行多器官分割是本領域技術人員亟需解決的技術問題。
技術實現思路
1、本申請實施例提供一種基于多任務神經網絡模型的多器官分割方法、裝置、電子設備及計算機可讀存儲介質，能夠又快又準地進行多器官分割。
2、第一方面，本申請實施例提供一種基于多任務神經網絡模型的多器官分割方法，包括：
3、獲取腹部ct圖像；
4、將腹部ct圖像輸入預設的多任務神經網絡模型，分別輸出多器官分割結果；其中，多器官分割結果包括：肝、右腎、脾、胰腺、主動脈、下腔靜脈、右腎上腺、左腎上腺、膽囊、食道、胃、十二指腸、左腎的十三個器官的分割結果。
5、可選的，多任務神經網絡模型是基于2.5d-fadnet多任務分割神經網絡經過模型訓練得到的，2.5d-fadnet多任務分割神經網絡包括兩個網絡分支，每個網絡分支包括多層卷積網絡、下采樣網絡和上采樣網絡，十三個器官的分割結果為兩個網絡分支各自結果的相融輸出。
6、可選的，在將腹部ct圖像輸入預設的多任務神經網絡模型之前，方法還包括：
7、獲取腹部ct圖像數據集；
8、標注
9、將每個腹部ct圖像及其對應的分割mask的圖像格式均轉換為png格式；
10、將所有轉換為png格式的腹部ct圖像及其對應的分割mask，按照預設比例劃分為訓練集、驗證集和測試集。
11、可選的，在將所有轉換為png格式的腹部ct圖像及其對應的分割mask，按照預設比例劃分為訓練集、驗證集和測試集之后，方法還包括：
12、利用訓練集對2.5d-fadnet多任務分割神經網絡進行模型訓練，并利用驗證集和測試集進行驗證和測試，得到多任務神經網絡模型。
13、可選的，利用訓練集對2.5d-fadnet多任務分割神經網絡進行模型訓練，并利用驗證集和測試集進行驗證和測試，得到多任務神經網絡模型，包括：
14、在模型訓練過程中，設置訓練的batch_size為64；
15、設置初始化學習率為1e-4，附加學習率衰減策略，每迭代5000次，學習率衰減為上一次學習率的0.9；
16、設置優化器為adam優化器；
17、設置損失函數為dice?loss；
18、設置每迭代1000次，對訓練集和驗證集做一次驗證，通過早停法來判斷網絡訓練停止時間，并得到多任務神經網絡模型。
19、可選的，多層卷積網絡使用殘差卷積，以減少特征損失；
20、其中，殘差卷積為由1x1，3x3和1x1卷積核組成的殘差單元。
21、可選的，下采樣網絡，用于特征提取和降低計算復雜度，減少數據的空間維度；
22、上采樣網絡，用于圖像超分辨率、圖像分割的精細化，增加數據的空間維度。
23、第二方面，本申請實施例提供了一種基于多任務神經網絡模型的多器官分割裝置，包括：
24、圖像獲取模塊，用于獲取腹部ct圖像；
25、分割結果輸出模塊，用于將腹部ct圖像輸入預設的多任務神經網絡模型，分別輸出多器官分割結果；其中，多器官分割結果包括：肝、右腎、脾、胰腺、主動脈、下腔靜脈、右腎上腺、左腎上腺、膽囊、食道、胃、十二指腸、左腎的十三個器官的分割結果。
26、第三方面，本申請實施例提供了一種電子設備，電子設備包括：處理器以及存儲有計算機程序指令的存儲器；
27、處理器執行計算機程序指令時實現如第一方面所示的基于多任務神經網絡模型的多器官分割方法。
28、第四方面，本申請實施例提供了一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序指令，計算機程序指令被處理器執行時實現如第一方面所示的基于多任務神經網絡模型的多器官分割方法。
29、該基于多任務神經網絡模型的多器官分割方法，包括：獲取腹部ct圖像；將腹部ct圖像輸入預設的多任務神經網絡模型，分別輸出多器官分割結果；其中，多器官分割結果包括：肝、右腎、脾、胰腺、主動脈、下腔靜脈、右腎上腺、左腎上腺、膽囊、食道、胃、十二指腸、左腎的十三個器官的分割結果。
本文檔來自技高網...【技術保護點】
1.一種基于多任務神經網絡模型的多器官分割方法，其特征在于，包括：
2.根據權利要求1的基于多任務神經網絡模型的多器官分割方法，其特征在于，多任務神經網絡模型是基于2.5D-FADNet多任務分割神經網絡經過模型訓練得到的，2.5D-FADNet多任務分割神經網絡包括兩個網絡分支，每個網絡分支包括多層卷積網絡、下采樣網絡和上采樣網絡，十三個器官的分割結果為兩個網絡分支各自結果的相融輸出。
3.根據權利要求2的基于多任務神經網絡模型的多器官分割方法，其特征在于，在將腹部CT圖像輸入預設的多任務神經網絡模型之前，方法還包括：
4.根據權利要求3的基于多任務神經網絡模型的多器官分割方法，其特征在于，在將所有轉換為PNG格式的腹部CT圖像及其對應的分割mask，按照預設比例劃分為訓練集、驗證集和測試集之后，方法還包括：
5.根據權利要求4的基于多任務神經網絡模型的多器官分割方法，其特征在于，利用訓練集對2.5D-FADNet多任務分割神經網絡進行模型訓練，并利用驗證集和測試集進行驗證和測試，得到多任務神經網絡模型，包括：
6.根
7.根據權利要求2的基于多任務神經網絡模型的多器官分割方法，其特征在于，下采樣網絡，用于特征提取和降低計算復雜度，減少數據的空間維度；
8.一種基于多任務神經網絡模型的多器官分割裝置，其特征在于，包括：
9.一種電子設備，其特征在于，所述電子設備包括：處理器以及存儲有計算機程序指令的存儲器；
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現如權利要求1-7任意一項所述的基于多任務神經網絡模型的多器官分割方法。
...【技術特征摘要】
1.一種基于多任務神經網絡模型的多器官分割方法，其特征在于，包括：
2.根據權利要求1的基于多任務神經網絡模型的多器官分割方法，其特征在于，多任務神經網絡模型是基于2.5d-fadnet多任務分割神經網絡經過模型訓練得到的，2.5d-fadnet多任務分割神經網絡包括兩個網絡分支，每個網絡分支包括多層卷積網絡、下采樣網絡和上采樣網絡，十三個器官的分割結果為兩個網絡分支各自結果的相融輸出。
3.根據權利要求2的基于多任務神經網絡模型的多器官分割方法，其特征在于，在將腹部ct圖像輸入預設的多任務神經網絡模型之前，方法還包括：
4.根據權利要求3的基于多任務神經網絡模型的多器官分割方法，其特征在于，在將所有轉換為png格式的腹部ct圖像及其對應的分割mask，按照預設比例劃分為訓練集、驗證集和測試集之后，方法還包括：
5.根據權利要求4的基于多任務神經網絡模型的多器官...
【專利技術屬性】
技術研發人員：劉星宇，張逸凌，
申請(專利權)人：北京長木谷醫療科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。