CN106355574A - 一种基于深度学习的腹内脂肪分割方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的腹内脂肪分割方法，用于同时分割内脏脂肪组织和皮下脂肪组织，所述方法包括下列步骤：识别腹部脂肪像素点；对识别出的腹部脂肪像素点进行深度学习，得到腹部脂肪像素点的本质特征；将腹部脂肪像素点的本质特征输入到分类算法中，得到初步分割结果；将初步分割结果转到极坐标中，进一步修正被误分的腹部脂肪像素点，得到腹部脂肪分割图；按照梯度高低对腹部脂肪分割图中各类型脂肪比例进行计算，并将计算结果通过体绘制技术进行直观显示。与现有技术相比，本发明具有应用及时、无需再次训练、错误率小、精确度高以及全自动分割等优点。

Description

一种基于深度学习的腹内脂肪分割方法

技术领域

本发明涉及医学领域，尤其是涉及一种基于深度学习的腹内脂肪分割方法。

背景技术

将腹内脂肪分割成不同的部分在医学领域中有着很大的价值。相比于更为直观的身体质量指数(BMI)而言，内脏脂肪组织(VAT)与皮下脂肪组织(SAT)的体积可以更加精确和有效地预测与分析肥胖相关的疾病。

现有的大多数分割腹内脂肪的方法主要是手工分割，即由医生或者有专业经验的人员对原始图像进行手工处理，标识出腹内脂肪和内脏脂肪的范围。目前，市面上已经出现了半自动分割的软件，但是其主要工作仍然是人工完成的。这类软件虽然能在一定程度上提升分割的效率，但是医生仍然需要6-8分钟的时间完成单张图片的分割。另外，这些软件价格通常昂贵，如现行的一款SliceOmatic的脂肪分割软件需要4000美元。可见，这些软件的实用性还有待提升。

当然，现在已经有部分全自动分割算法被提出，比如图割法(Graph cut)，主动轮廓模型法(Active contour)，阈值法(Thresholding)等，这些方法也有着普遍的缺陷。首先是这些算法对于每一张新图片都需要重新进行训练，耗费大量的时间；其次是这些算法要对SAT与VAT分别进行分割，需要对图片进行两次处理，这增加了出现额外错误的几率。

发明内容

本发明的目的是针对上述问题提供一种基于深度学习的腹内脂肪分割方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的腹内脂肪分割方法，用于同时分割内脏脂肪组织和皮下脂肪组织，所述方法包括下列步骤：

1)识别腹部脂肪像素点；

2)对步骤1)中识别出的腹部脂肪像素点进行深度学习，得到腹部脂肪像素点的本质特征；

3)将步骤2)中得到的腹部脂肪像素点的本质特征输入到分类算法中，得到初步分割结果；

4)将步骤3)中得到的初步分割结果转到极坐标中，进一步修正被误分的腹部脂肪像素点，得到腹部脂肪分割图；

5)按照梯度高低对步骤4)中得到的腹部脂肪分割图中各类型脂肪比例进行计算，并将计算结果通过体绘制技术进行直观显示。

所述识别腹部脂肪像素点是通过Active contour算法实现的。

所述步骤1)具体为：

11)将腹部的边缘通过连续曲线来表示；

12)定义能量泛函，所述能量泛函的自变量包括步骤11)中的连续曲线；

13)求解步骤12)中能量泛函的最小值，与能量泛函最小值对应的自变量即为识别出的腹部脂肪像素点。

所述步骤2)具体为：

21)采用多尺度块作为步骤1)中识别出的腹部脂肪像素点的特征输入，逐层构建神经网络；

22)按照顺序对所有层的神经网络进行训练，利用wake-sleep算法进行调优，得到腹部脂肪像素点的本质特征。

所述步骤22)具体为：

221)保留最顶层的神经网络，将各层神经网络之间的权重修改为双向权重，所述双向权重包括向上认知权重和向下生成权重；

222)根据外界的特征和向上认知权重，利用梯度下降修改各层神经网络之间的向下生成权重；

223)根据最顶层的神经网络和向下生成权重，生成最底层神经网络的状态，并修改各层神经网络之间的向上认知权重；

224)将步骤223)中修改后的各层神经网络作为腹部脂肪像素点的本质特征。

所述步骤4)具体为：

41)将步骤3)中得到的初步分割结果转到极坐标中；

42)皮下脂肪组织在极坐标下作为图像底部；

43)对比皮下脂肪组织与内脏脂肪组织，修正被误分的腹部脂肪像素点，得到腹部脂肪分割图。

与现有技术相比，本发明具有以下有益效果：

(1)一旦训练过程完成，马上就能应用到新的图片，无需再次训练，大大提升速度。

(2)同时区分SAT与VAT，无需再次进行分割，提高了腹内脂肪分割的效率。

(3)由于对于SAT和VAT的分割是同时进行的，因此可以将两方的分割结果进行对比后进行修正，提高了分割的准确度，减少错误发生率。

(4)实现了全自动分割，只有在必要条件下才需要人工通过软件进行简单的后期修正，自动化程度高。

(5)由于本发明采用的是改进的深度神经网络算法，该算法的学习效果好，提高了腹内脂肪分割的精确度。

附图说明

图1为本发明的方法流程图；

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供了一种基于深度学习的腹内脂肪分割方法，具体包括下列步骤：

1)腹部脂肪像素点的识别。由于腹部特殊的形状特征，活动轮廓模型(Activecontour model)在其基础上发展出许多算法，其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，分割过程就转变为求解能量泛函的最小值的过程，一般可以通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。主动轮廓线模型是一个自顶向下定位图像特征的机制，用户或其他自动处理过程通过事先在感兴趣目标附近放置一个初始轮廓线，在内部能量(内力)和外部能量(外力)的作用下变形外部能量吸引活动轮廓朝物体边缘运动，而内部能量保持活动轮廓的光滑性和拓扑性，当能量达到最小时，活动轮廓收敛到所要检测的物体边缘。因此，Active contour算法能很好的识别出腹部区域。

2)对每个腹内的像素点，我们采用多尺度块作为该像素点的特征为输入，通过一种新的深度神经网络算法自动学习分层的抽象的本质特征。将这些特征输入到分类算法中，就可以得到一个初步的分割结果。

深度神经网络的算法分为监督学习和非监督学习，其思想如下：

在监督学习中，以前的多层神经网络的问题是容易陷入局部极值点。如果训练样本足够充分覆盖未来的样本，那么学到的多层权重可以很好的用来预测新的测试样本。但是很多任务难以得到足够多的标记样本，在这种情况下，简单的模型，比如线性回归或者决策树往往能得到比多层神经网络更好的结果(更好的泛化性，更差的训练误差)。

非监督学习中，以往没有有效的方法构造多层网络。多层神经网络的顶层是底层特征的高级表示，比如底层是像素点，上一层的结点可能表示横线，三角；而顶层可能有一个结点表示人脸。一个成功的算法应该能让生成的顶层特征最大化的代表底层的样例。如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合。

具体方法如下：

首先逐层构建单层神经元，这样每次都是训练一个单层网络。

当所有层训练完后，hinton使用wake-sleep算法进行调优。将除最顶层的其它层间的权重变为双向的，这样最顶层仍然是一个单层神经网络，而其它层则变为了图模型。向上的权重用于”认知“，向下的权重用于”生成“。然后使用Wake-Sleep算法调整所有的权重。让认知和生成达成一致，也就是保证生成的最顶层表示能够尽可能正确的复原底层的结点。比如顶层的一个结点表示人脸，那么所有人脸的图像应该激活这个结点，并且这个结果向下生成的图像应该能够表现为一个大概的人脸图像。Wake-Sleep算法分为醒(wake)和睡(sleep)两个部分。

wake阶段，认知过程，通过外界的特征和向上的权重(认知权重)产生每一层的抽象表示(结点状态)，并且使用梯度下降修改层间的下行权重(生成权重)。也就是“如果现实跟我想像的不一样，改变我的权重使得我想像的东西就是这样的“。

2sleep阶段，生成过程，通过顶层表示(醒时学得的概念)和向下权重，生成底层的状态，同时修改层间向上的权重。也就是“如果梦中的景象不是我脑中的相应概念，改变我的认知权重使得这种景象在我看来就是这个概念。

3)虽然深度学习能够学习到比较本质的特征，但是由于没有明确的考虑到SAT和VAT的空间分布特征，会造成某些像素点的误判。为了得到更准确的分割结果，我们将原有的分割结果转到到极坐标中。SAT在极坐标下成为了图像的底部，根据这一特征可以进一步修正被误分的像素点。

4)根据多张图片所得到的结果，对各类型脂肪比例按照梯度高低的方式进行计算，并对此组数据进行进行直接由三维数据场产生屏幕上二维图像的体绘制技术，直观显示分割效果。

根据上述步骤，对所收集到的共60张腹内脂肪切片进行了处理并统计了相关数据。运行环境为Win 8***，4G内存，GPU为Nvidia 740m。统计结果如下：平均时间：20.4s，准确率：SAT:0.937，VAT:0.886。从上述结果中可以看出，该方法的分割速度比起传统方法有了显著提升，而且也保证了较高的准确率。

Claims (6)

1.一种基于深度学习的腹内脂肪分割方法，用于同时分割内脏脂肪组织和皮下脂肪组织，其特征在于，所述方法包括下列步骤：

1)识别腹部脂肪像素点；

2)对步骤1)中识别出的腹部脂肪像素点进行深度学习，得到腹部脂肪像素点的本质特征；

3)将步骤2)中得到的腹部脂肪像素点的本质特征输入到分类算法中，得到初步分割结果；

4)将步骤3)中得到的初步分割结果转到极坐标中，进一步修正被误分的腹部脂肪像素点，得到腹部脂肪分割图；

5)按照梯度高低对步骤4)中得到的腹部脂肪分割图中各类型脂肪比例进行计算，并将计算结果通过体绘制技术进行直观显示。

2.根据权利要求1所述的基于深度学习的腹内脂肪分割方法，其特征在于，所述识别腹部脂肪像素点是通过Active contour算法实现的。

3.根据权利要求1所述的基于深度学习的腹内脂肪分割方法，其特征在于，所述步骤1)具体为：

11)将腹部的边缘通过连续曲线来表示；

12)定义能量泛函，所述能量泛函的自变量包括步骤11)中的连续曲线；

13)求解步骤12)中能量泛函的最小值，与能量泛函最小值对应的自变量即为识别出的腹部脂肪像素点。

4.根据权利要求3所述的基于深度学习的腹内脂肪分割方法，其特征在于，所述步骤2)具体为：

21)采用多尺度块作为步骤1)中识别出的腹部脂肪像素点的特征输入，逐层构建神经网络；

22)按照顺序对所有层的神经网络进行训练，利用wake-sleep算法进行调优，得到腹部脂肪像素点的本质特征。

5.根据权利要求1所述的基于深度学习的腹内脂肪分割方法，其特征在于，所述步骤22)具体为：

221)保留最顶层的神经网络，将各层神经网络之间的权重修改为双向权重，所述双向权重包括向上认知权重和向下生成权重；

222)根据外界的特征和向上认知权重，利用梯度下降修改各层神经网络之间的向下生成权重；

223)根据最顶层的神经网络和向下生成权重，生成最底层神经网络的状态，并修改各层神经网络之间的向上认知权重；

224)将步骤223)中修改后的各层神经网络作为腹部脂肪像素点的本质特征。

6.根据权利要求5所述的基于深度学习的腹内脂肪分割方法，其特征在于，所述步骤4)具体为：

41)将步骤3)中得到的初步分割结果转到极坐标中；

42)皮下脂肪组织在极坐标下作为图像底部；

43)对比皮下脂肪组织与内脏脂肪组织，修正被误分的腹部脂肪像素点，得到腹部脂肪分割图。