本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡(luò)的US?CT圖像分割方法、系統(tǒng)及設(shè)備，該方法包括步驟：獲取多張待分割的US?CT圖像，對各US?CT圖像進行預(yù)處理；將預(yù)處理后的US?CT圖像輸入預(yù)先訓練完成的US?CT圖像分割模型，從而獲得患者的疾病情況；其中，US?CT圖像分割模型由主體為Residual結(jié)構(gòu)和Dense結(jié)構(gòu)構(gòu)成的p?nas?net模型；p?nas?net模型變量固定為常量，并指定圖的輸出節(jié)點；保存文件為tflite格式。本發(fā)明通過以Residual結(jié)構(gòu)和Dense結(jié)構(gòu)為主體的p?nas?net模型用于實現(xiàn)快速分割US?CT圖像中的患者疾病情況，實現(xiàn)輔助醫(yī)生分析超聲圖像，解放醫(yī)生的工作負擔，具有十分重要的現(xiàn)實意義。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分割技術(shù)領(lǐng)域，具體涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的US-CT圖像分割方法、系統(tǒng)及設(shè)備。

背景技術(shù)

CT(Computed Tomography)，即電子計算機斷層掃描，它是利用精確準直的X線束、γ射線、超聲波等，與靈敏度極高的探測器一同圍繞人體的某一部位作一個接一個的斷面掃描，具有掃描時間快，圖像清晰等特點，可用于多種疾病的檢查；根據(jù)所采用的射線不同可分為：X射線CT(X-CT)以及γ射線CT(γ-CT)等。

超聲(Ultrasound，簡稱US)醫(yī)學是聲學、醫(yī)學、光學及電子學相結(jié)合的學科。凡研究高于可聽聲頻率的聲學技術(shù)在醫(yī)學領(lǐng)域中的應(yīng)用即超聲醫(yī)學。US-CT圖像是醫(yī)生對患者病情進行初步篩查的重要手段，US-CT圖像的優(yōu)點是比X-CT圖像獲取成本更低，沒有電磁輻射，對患者更安全，缺點是成像沒有X-CT清晰。手持超聲設(shè)備是近年來新發(fā)展起來的便攜式超聲設(shè)備，其優(yōu)點是價格比醫(yī)院的大型超聲設(shè)備便宜，攜帶更加方便，小型機構(gòu)或個人更容易獲得，操作更加簡單，缺點是采集到的US-CT圖像沒有大型超聲設(shè)備刺激的圖像清晰。

US-CT圖像的意義在于初步篩查，手持超聲圖像的意義更是如此。有鑒于此，亟需提供一種能夠快速、高效的分割US-CT圖像中的信息，且減少患者的時間成本和經(jīng)濟負擔的圖像分割方法。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的US-CT圖像分割方法，包括以下步驟：

獲取多張待分割的US-CT圖像，對各US-CT圖像進行預(yù)處理；

將預(yù)處理后的US-CT圖像輸入預(yù)先訓練完成的US-CT圖像分割模型，從而獲得患者的疾病情況；

其中，US-CT圖像分割模型由主體為Residual結(jié)構(gòu)和Dense結(jié)構(gòu)構(gòu)成的p-nas-net模型；所述p-nas-net模型變量固定為常量，并指定圖的輸出節(jié)點；保存文件為tflite格式。

在上述方法中，所述p-nas-net模型結(jié)構(gòu)具體為：

p-nas-net主體為Residual結(jié)構(gòu)和Dense結(jié)構(gòu)，使用的主要操作是卷積、深度可分離卷積、膨脹卷積和批標準化；

激活函數(shù)采用Relu函數(shù)；

下采樣方式采用stride為2的卷積操作和最大池化操作；

上采樣方式采用線性插值法；

輸出采用softmax完成4分類任務(wù)；

損失函數(shù)采用均方誤差損失函數(shù)；

優(yōu)化器采用加動量的隨機梯度下降方法。

在上述方法中，所述US-CT圖像分割模型通過以下方式進行訓練：

獲取多張US-CT圖像形成的訓練集、驗證集和測試集，對訓練集、驗證集和測試集中張US-CT圖像進行預(yù)處理；其中，多張US-CT圖像中包括空掃圖像；