(19)中华 人民共和国 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 202111661752.9 (22)申请日 2021.12.31 (71)申请人 泰安市中心医院 地址 271099 山东省泰安市龙潭路2 9号 申请人 上海理工大 学 (72)发明人 谢元忠　聂生东　陈阳　孔雪　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 叶敏华 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/52(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/776(2022.01)G06V 10/82(2022.01) G06V 10/32(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/10(2017.01) (54)发明名称 基于深度学习的肺结节精细化分割方法、 装 置及存储介质 (57)摘要 本发明涉及一种基于深度学习的肺结节精 细化分割方法、 装置及存储介质， 所述方法包括 以下步骤： 构建基于深度学习的多尺度输出的肺 结节分割模型； 获取待分割肺部CT影像， 对该待 分割肺部CT影像进行预处理， 获得待分割3D图像 块； 以所述待分割3D图像块作为所述肺结节分割 模型的输入， 获得不同尺度输出结果； 对各个不 同尺度输 出结果进行融合处理， 获得最终分割结 果。 与现有技术相比， 本发明具有分割精度高等 优点。 权利要求书2页 说明书4页 附图2页 CN 114359560 A 2022.04.15 CN 114359560 A 1.一种基于深度学习的肺结节 精细化分割方法， 其特 征在于， 包括以下步骤： 构建基于深度学习的多尺度输出的肺结节分割模型； 获取待分割肺部 CT影像， 对该待分割肺部 CT影像进行预处理， 获得待分割3D图像块； 以所述待分割3D图像块作为所述肺结节分割模型的输入， 获得不同尺度输出 结果； 对各个不同尺度输出 结果进行融合处 理， 获得最终分割结果。 2.根据权利要求1所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 所述预 处理包括归一 化操作和图像裁 剪处理。 3.根据权利要求2所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 所述归 一化操作具体为： CT影像中HU值大于40 0的值被定义 为1， HU值小于 ‑1000的值被定义 为0。 4.根据权利要求1所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 所述肺 结节分割模 型以3D U‑Net网络作为基础结构， 且在3D  U‑Net网络的解码 部分引出多个不同 尺度的输出。 5.根据权利要求1所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 对所述 肺结节分割模型进行训练时使用的数据集包括CT影像及基于标注信息形成的对应的分割 掩膜图像。 6.根据权利要求1所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 所述融 合处理为： 以最小尺度的输出结果作为基础输出， 其他尺度的输出结果按尺度由小到大依次融合 尺度相对较小的其 他输出结果， 以最后一个输出 结果作为 最终分割结果。 7.根据权利要求1所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 对所述 肺结节分割模型进行训练时， 基于批量平均dice损失函数进行模型参数的更新， 以该批量 平均dice损失函数计算各尺度输出结果与分割的标签图像的损失值， 将各尺度损失值加权 得到最终损失值， 使用该最终损失值更新所述模型参数。 8.根据权利要求7所述的基于深度学习的肺结节精细化分割方法， 其特征在于， 所述批 量平均dice损失函数的表达式为： 式中： Q为每个批次中的样本数， w、 h、 l分别 对应3D图像块的长、 宽和高， g对应标签图像 中的前景区域， e为基于三维上 下文信息的深度学习模型对应的预测结果。 9.一种基于深度学习的肺结节 精细化分割装置， 其特 征在于， 包括： 一个或多个处 理器； 存储器； 和 被存储在存储器中的一个或多个程序， 所述一个或多个程序包括用于执行如权利要求 1‑8任一所述基于深度学习的肺结节 精细化分割的指令 。 10.一种计算机可读存储介质， 其特征在于， 包括供电子设备的一个或多个处理器执行权　利　要　求　书 1/2 页 2 CN 114359560 A 2的一个或多个程序， 所述一个或多个程序包括用于执行如权利要求1 ‑8任一所述基于深度 学习的肺结节 精细化分割的指令 。权　利　要　求　书 2/2 页 3 CN 114359560 A 3