CN111047605B - 一种脊椎ct分割网络模型的构建方法及分割方法 - Google Patents
一种脊椎ct分割网络模型的构建方法及分割方法 Download PDFInfo
- Publication number
- CN111047605B CN111047605B CN201911234498.7A CN201911234498A CN111047605B CN 111047605 B CN111047605 B CN 111047605B CN 201911234498 A CN201911234498 A CN 201911234498A CN 111047605 B CN111047605 B CN 111047605B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- segmented
- network model
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010276 construction Methods 0.000 title abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000000052 comparative effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 201000005671 spondyloarthropathy Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种脊椎CT分割网络模型的构建方法及分割方法。方法包括：首先对CT数据集进行预处理；接着训练Attention‑Net网络得到脊椎位置像素分布模型，然后训练DenseUnet网络得到预测先验信息的模型；接着使用拼接数据对DenseUnet网络进行训练得到多通道拼接DenseUnet网络模型；利用三个训练好的模型进行CT数据分割。本发明解决脊椎CT数量少，分割效率低，需要人工干预以及传统DenseUnet需要参数过多等问题；同时也提高了分割的精确度。
Description
技术领域
本发明属于医学图像分割领域，具体涉及一种脊椎CT分割网络模型的构建方法及分割方法。
背景技术
脊椎病朝着年轻化的方向发展，目前的医疗过程通常采用CT影像对脊椎病进行诊断。CT影像分辨率高，能较好的确定病灶位置；成像快，符合时效性的特点；也可以较好展示组织结构。通常，医生凭借自己的经验，参考CT影像进行诊断。但单单凭借经验使用CT影像进行诊断，可能产生病灶位置的偏差，也可能过于主观臆断。为了防止这一现象的发生，计算机辅助诊断和治疗的方法被科学家们提出。
计算机辅助诊断的做法就是将脊椎的CT成像中的感兴趣区域(感兴趣区域在医学上指的是需要提取的区域，相应的非感兴趣区域为背景；在分割图像中，由于图像是二值文件，脊柱部分的灰度值非零，称为前景，图中黑色部分为背景；在脊椎诊疗领域感兴趣区域为CT原始数据中的脊椎部分)分割出来，通过一系列的三维重建和可视化技术，将脊椎的组织结构通过三维模型的形式展示出来，便于医生观察病灶位置，制定治疗方案。
由于脊椎的结构复杂，再加上在CT成像的过程中容易产生噪声，而且还可能存在脊椎边界不明显的情况，其中脊椎的分割问题是关键所在。
传统的图像分割算法使用阈值、使用区域使用边缘进行分割等。但这些方法都具有对噪声敏感等缺点。后续相关的改进方法虽然解决了对噪声敏感的问题，但仍存在着需要人手工干预，分割效率低，不能实现自动化分割的问题。
发明内容
针对现有技术的缺陷或不足，本发明提供了一种脊椎CT分割网络模型的构建方法。
本发明所提供的构建方法包括：
(1)对CT原始数据预处理得到patch数据集，所述预处理包括对CT原始数据进行裁切得到多幅二维图像构成patch数据集；获取patch数据集中的各二维图像的感兴趣区域得到相应分割图像，构成label数据集；
(2)对label数据集中的所有分割图像进行下采样，得到各分割图像的热图，构成第一热图集；
(3)以patch数据集作为输入，第一热图集作为标签对Attention-Net神经网络进行训练，得到第一网络模型；
(4)以patch数据集作为输入、label数据集作为标签对DenseUnet神经网络进行训练，得到第二网络模型；
(5)采用步骤(4)训练好的第二网络模型对patch数据集进行分割，得到初始分割图像集；
(6)对patch数据集、第一热图集和初始分割图像集的进行数据拼接；
(7)以patch数据集、第一热图集和初始分割图像集的拼接数据集作为输入、label数据集作为标签对DenseUnet神经网络进行训练，得到第三网络模型；
所述第一、第二、第三网络模型构成脊柱CT分割网络模型。
有些方案中，所述CT原始数据预处理包括对CT原始数据的分辨率和灰度进行归一化后进行裁切，得到patch数据集。
有些方案中，所述步骤(1)是对与CT原始数据对应的mask数据预处理得到label数据集，所述预处理包括对mask数据进行裁切得到多幅分割图像构成label数据集，label数据集中各分割图像与patch数据集中各二维图像一一对应。
还有些方案中，所述mask数据预处理包括对数据的分辨率进行归一化后进行裁切，且归一化后的分辨率与CT原始数据的分辨率或归一化后的分辨率相同。
优选的方案中，所述DenseUnet神经网络包括九个Dense块，各Dense块中包含卷积的层数分别为5、5、6、6、7、7、6、6和5；Dense块中的卷积操作均使用卷积核为3*3的卷积，各Dense块中的卷积层进行Concat拼接操作时，使用Shuffle方法对块内各层进行打乱操作。
优选的方案中，步骤(3)训练时采用L2损失作为约束；步骤(4)和(7)训练时均采用Diss损失作为约束。
进一步，本发明提供了一种脊椎CT分割方法。所提供分割方法包括
S1，对于待分割的CT原始数据进行预处理得到待分割patch数据集，该待分割patch数据集是对待分割的CT原始数据裁切得到多幅二维图像；
S2,采用训练好的第一网络模型提取待分割patch数据集的热图集；
S3,采用第二网络模型对待分割patch数据集进行初步分割，得到初始分割图像集；
S4,对待分割patch数据集、热图集和初始分割图像集的进行数据拼接；
S5,将待分割patch数据集、热图集和初始分割图像集的拼接数据集输入第三网络模型输出分割图像集。
更进一步，本发明还提供了一种脊椎CT分割***。本发明所提供的***包括：数据预处理模块、数据拼接模块和所述的第一网络模型、第二网络模型及第三网络模型；
所述数据预处理模块用于对待分割的CT原始数据进行预处理得到待分割patch数据集，该待分割patch数据集是对待分割的CT原始数据裁切得到多幅二维图像；
所述第一网络模型用于提取待分割patch数据集的热图集；
所述第二网络模型用于对待分割patch数据集进行初步分割，获取初始分割图像集；
数据拼接模块用于对待分割patch数据集、热图集和初始分割图像集的进行数据拼接；
所述第三网络模型用于对待分割patch数据集、热图集和初始分割图像集的拼接数据进行分割，输出分割图像集。
与现有技术相比，本发明的有益效果是：
本发明将三通道拼接数据作为训练样本，为原始数据增加预测先验信息以及位置像素分布信息，从而提高网络分割精确度。除此之外，一方面，本发明采用Attention-Net网络获得脊柱的大致定位，为原始数据添加位置像素信息，防止周围的噪声点对网络的训练产生负值影响。另一方面，本发明对传统的DenseUnet进行改进，整个分割流程相比于传统DenseUnet减少743万参数，并增加了网络的鲁棒性。
附图说明
图1为本发明示例性Attention-Net神经网络的网络结构；其中N代表3、5或7，N*N代表3*3，5*5或7*7；
图2为本发明示例性DenseUnet神经网络的网络结构；
图3为本发明示例性Dense块的结构；
图4为实施例中模型训练过程所涉及的图像示意，其中A为patch数据集中的图像之一，B为label数据集中与A图对应的分割图像，C图为B图的热图，D图为A图的初步分割图；
图5为测试集中的图F采用本发明的模型最终分割的图像E。
具体实施方式
本发明脊椎CT分割网络模型构建所用的样本数据可来源于网络开源数据、临床病例等，一般包括患者的脊椎CT原始数据，有些开源数据还包括与CT原始数据对应的mask数据，mask数据是医务人员在CT原始数据中标注感兴趣的区域后得到的三维数据。根据原始数据的特点或其保存的格式及网络输入的要求等，训练前需对数据进行预处理，主要是将三维数据转化或裁切为二维构成Patch二维图像或Patch数据集，有些数据在裁切前需要先进行分辨率和灰度归一化处理，以满足后续网络(Attention神经网络或DenseUnet神经网络)训练输入的要求。对于不包含mask数据的原始数据，需要人为或采用现有的分割方法得到与各Patch二维图像一一对应的label图像，构成label数据集；对于包含mask数据的原始数据也需要进行上述处理，得到与各Patch二维图像一一对应的label图像，构成label数据集。并且作为常识，label数据集中各图像的大小与Patch数据集中各图像的大小相同，同时图像尺寸满足网络输入的要求。
另一方面，在采用本发明构建的模型对待分割的脊柱CT数据进行分割时，需要采用上述方法得到相应的待分割Patch数据集，并且作为常识，所得Patch数据集满足模型输入的要求。
本发明所述的裁切和归一化的方法均可采用本领域已知手段或方法。
本发明所述的热图是描述脊柱分布密集情况的图像，例如，本发明模型训练过程中所涉及的某分割图像的热图中每个像素点的值为该分割图像中每个单位区域(如10*10像素区域)中有效点(在patch二维图像中表示脊柱像素点，在label图像或分割图像中表示灰度值非零的点即前景点)的比重/占比；相应的，对label数据集中的每个图像进行下采样处理得到相应的热图。一种具体的下采样示例是：将某个label图像(大小为160*160)划分为多个单位区域(如10*10像素区域)，计算每个单位区域中前景点在相应单位区域的占比，最后得到一个尺寸缩放的label(16*16)，其每个点就是表示对应的label中单位区域的有效点占比。作为一种常识，为满足网络输入对图像大小的要求，需对label进行上采样处理，得到各图像大小与patch数据集中图像大小相同的热图集。
本发明所述的拼接是指将两个以数据或数据集进行拼接得到拼接数据集，所采用的拼接方法为可获得满足单通道的数据集。例如，concatenate拼接方法。
作为一种示例，本发明采用的Attention-Net神经网络以FCN为基础，如图1所示，总共包括15层，其中第一层为上采样层用来增加图像大小；第二层至第九层依次交替为卷积层和池化层，每个卷积层带有padding操作，用来保证图片大小不会改变，池化层的作用进行下采样，作用是将图片的尺寸减小一半，第十至第十二层为空洞卷积层，空洞率一次为2，3，5，在不减小图像大小的前提下进行感受野的增加，第十三和十四为卷积层，第十五层为1*1卷积层，用来降低通道数,网络的输出为16*16的热图。
除了采用现有的DenseUnet神经网络外，本发明还可采用改进后的DenseUnet神经网络，改进后的网络参数更少，鲁棒性更高。作为一种示例，如图2所示，改进后的DenseUnet神经网络总共分为9层，且按照编码器-解码器的结构呈U形分布。一种具体的构造是，每层的Dense块中包含的卷积层数各不相同，并且各Dense块中包含卷积的层数设置方式为对称设置，例如分别为5，5，6，6，7，7，6，6，5，Dense块中的卷积操作均使用卷积核为3*3的卷积进行计算，为了增加鲁棒性，在Dense块中每个卷积层进行Concat拼接操作时，使用Shuffle方法对块内各层进行打乱操作；同时在每个Dense块的最后，使用卷积核为1*1的卷积将通道数降为24。经过9层的Dense块的处理后，最后采用卷积核为1*1的卷积，并使用Sigmod激活函数进行分类，网络训练所需的参数为1900万个。更具体的示例性说明，如图3所示，当Dense块中包含5个卷积层时，具体的实现过程为：
(1)对输入图像I使用第一个卷积进行操作，得到结果F1；
(2)将I与F1进行拼接操作，并使用第二个卷积进行操作，得到结果F2；
(3)将I，F1，F2进行拼接操作，并使用第三个卷积进行操作，得到结果F3；
(4)将I，F1，F2，F3进行拼接操作，并使用第四个卷积进行操作，得到结果F4；
(5)将I，F1，F2，F3，F4进行拼接操作，并使用第五个卷积进行操作，得到结果x；
计算过程使用公式(1)表示为：
Fi＝Relu(shuffle[I,F1,...,Fi-1]) (1)
其中Relu为激活函数，Fi为Dense块中的第i个卷积层，使用shuffle方法打乱其拼接顺序操作来保证鲁棒性。
实施例：
该实施例为一种具体的脊椎CT分割网络模型的构建，样本数据来自于10个患者的脊椎CT扫描数据和其相应的mask数据，所采用的各网络为上述示例网络：
S1：对数据进行预处理
S1.1,由于每个患者的CT原始数据及其mask数据的分辨率大小不同，并且在各个方向的大小也不一样，所以需要数据进行重采样，将分辨率统一为0.5*0.5*0.5mm3,使其每个体素点在各个方向的距离都表示0.5mm；
S1.2,对数据进行灰度归一化处理：
CT原始数据的灰度值范围比较广，所以将CT数据的最小灰度值设置为400，最大灰度值设置为3500；将灰度值小于400的值重置为400，将灰度值大于3500的灰度值重置为3500；然后再对整体进行归一化，使其体素值分在0～1之间，接着放缩到[0-255]范围内；
S1.3,提取patch数据集和label数据集：
接着对CT原始数据和mask数据进行裁切操作，按照160*160的大小，以160为步长在轴向进行裁切得到一一对应的patch二维图像和Label图像；分别构成patch数据集和Label数据集，裁切之后其中一幅patch二维图像和其对应的label图像如图4A和B所示；
为了保证训练的准确性，在裁切过程中可通过设置合理阈值忽略一些包含脊柱像素数量小于阈值的patch二维图像及其相应的label图像，阈值取值如500；
将预处理后的数据按照8:2的比例划分为训练集和测试集，利用训练集中的patch数据集和Label数据集进行以下S2-S7所述的模型训练；
S2，对label数据集中的图像进行下采样，得到热图集，其中一副热图如图4C所示；
S3,以patch数据集作为输入，S2得到的热图集作为标签对Attention-Net神经网络进行训练，得到第一网络模型；
在训练Attention-Net过程中，BatchSize设置为20，优化器为Adam,初始学习率为0.001，每40轮，学习率减小一半，一共训练200轮；在训练过程中通过公式(2)进行约束：
其中：‖·‖2表示二阶范数，minypred表示满足最小二阶范数的ypred，ypred表示网络的预测输出，ytrue表示对应的label；
S4,以patch数据集作为输入、label数据集训练DenseUnet神经网络，得到第二网络模型；
在训练过程中，BatchSize设置为20，优化器为Adam,初始学习率为0.001，每40轮，学习率减小一半，一共训练100轮，通过公式(3)进行约束：
其中：ypred表示网络的预测输出，ytrue表示对应patch的label，ypred∩ytrue表示预测正确的部分；
S5，利用S4训练好的DenseUnet网络模型对patch数据集进行分割得到初步分割图像，构成初步分割数据集，其中一幅初步分割图像如图4D所示；
S6，使用concatenate拼接方法，将S1.4中划分的训练集的patch数据集,S2中的热图集,以及S5得到的初步分割数据集拼接在一起；
S7，训练DenseUnet：使用S6中拼接后的数据为输入，label数据集为输出对DenseUnet神经网络进行训练，得到第三网络模型；在该步骤的DenseUnet神经网络训练的过程中，BatchSize设置为20，优化器为Adam,初始学习率为0.001，每40轮，学习率减小一半，一共训练200轮，并且通过公式(4)进行约束。
ypred表示网络的预测输出，ytrue表示对应patch的label。ypred∩ytrye表示预测正确的部分。
对比例1：
该对比例与实施例1不同的是：
直接以patch数据集作为输入、label数据集为标签训练DenseUnet神经网络，训练200轮，构建分割模型A。
对比例2：
该对比例与实施例1不同的是：DenseUnet神经网络训练时输入为patch数据集与热图集的拼接数据构建分割模型B，该对比例的分割模型还包括第一网络模型。
对比例3：
该对比例与实施例1不同的是，DenseUnet神经网络训练时输入为patch数据集与初步分割数据集的拼接数据，构建的分割模型C，该对比例的分割模型还包括第二网络模型。
分别采用本发明的模型和上述对比例所得模型对测试集进行精确分割：本发明模型分割步骤包括：
(1)将测试集patch数据集输入到第一网络模型中得到其对应的热图集，然后进行最邻近插值处理至图像大小与测试集中图像大小相同；
(2)将测试集patch数据集输入到第二网络模型中，得到初步分割图像集；
(3)将测试集的patch数据集和(1)中得到的热图集以及(2)中得到的初步分割图像集进行拼接，得到最终的测试样本，
(4)将测试样本输入第三网络模型中，得到精确的分割结果，其中一幅如图5E所示，图5F为其对应的patch二维图像。
对比例1-3采用相应的训练模型对patch数据集进行相应处理和分割，得到相应的分割图像集。
结果采用Dice，IOU,以及vs作为评价指标,VS表示的是分割结果与测试数据集中label进行的像素比，其中：
结果如下表：
表3分割结果比较
Claims (8)
1.一种脊椎CT分割网络模型的构建方法，其特征在于，方法包括：
(1)对CT原始数据预处理得到patch数据集，所述预处理包括对CT原始数据进行裁切得到多幅二维图像构成patch数据集；获取patch数据集中的各二维图像的感兴趣区域得到相应分割图像，构成label数据集；
(2)对label数据集中的所有分割图像进行下采样，得到各分割图像的热图，构成第一热图集；
(3)以patch数据集作为输入，第一热图集作为标签对Attention-Net神经网络进行训练，得到第一网络模型；
(4)以patch数据集作为输入、label数据集作为标签对DenseUnet神经网络进行训练，得到第二网络模型；
(5)采用步骤(4)训练好的第二网络模型对patch数据集进行分割，得到初始分割图像集；
(6)对patch数据集、第一热图集和初始分割图像集的进行数据拼接；
(7)以patch数据集、第一热图集和初始分割图像集的拼接数据集作为输入、label数据集作为标签对DenseUnet神经网络进行训练，得到第三网络模型；
所述第一、第二、第三网络模型构成脊柱CT分割网络模型。
2.如权利要求1所述的脊椎CT分割网络模型的构建方法，其特征在于，所述CT原始数据预处理包括对CT原始数据的分辨率和灰度进行归一化后进行裁切，得到patch数据集。
3.如权利要求1或2所述的脊椎CT分割网络模型的构建方法，其特征在于，所述步骤(1)是对与CT原始数据对应的mask数据预处理得到label数据集，所述预处理包括对mask数据进行裁切得到多幅分割图像构成label数据集，label数据集中各分割图像与patch数据集中各二维图像一一对应。
4.如权利要求3所述的脊椎CT分割网络模型的构建方法，其特征在于，所述mask数据预处理包括对数据的分辨率进行归一化后进行裁切，且归一化后的分辨率与CT原始数据的分辨率或归一化后的分辨率相同。
5.如权利要求1所述的脊椎CT分割网络模型的构建方法，其特征在于，所述DenseUnet神经网络包括九个Dense块，各Dense块中包含卷积的层数分别为5、5、6、6、7、7、6、6和5；Dense块中的卷积操作均使用卷积核为3*3的卷积，各Dense块中的卷积层进行Concat拼接操作时，使用Shuffle方法对块内各层进行打乱操作。
6.如权利要求1所述的脊椎CT分割网络模型的构建方法，其特征在于，步骤(3)训练时采用L2损失作为约束；步骤(4)和(7)训练时均采用Diss损失作为约束。
7.一种脊椎CT分割方法，其特征在于，方法包括：
S1，对于待分割的CT原始数据进行预处理得到待分割patch数据集，该待分割patch数据集是对待分割的CT原始数据裁切得到多幅二维图像；
S2,采用权利要求1所述第一网络模型提取待分割patch数据集的热图集；
S3,采用权利要求1所述第二网络模型对待分割patch数据集进行初步分割，得到初始分割图像集；
S4,对待分割patch数据集、热图集和初始分割图像集的进行数据拼接；
S5,将待分割patch数据集、热图集和初始分割图像集的拼接数据集输入权利要求1所述第三网络模型输出分割图像集。
8.一种脊椎CT分割***，其特征在于，***包括：数据预处理模块、数据拼接模块和权利要求1所述的第一网络模型、第二网络模型及第三网络模型；
所述数据预处理模块用于对待分割的CT原始数据进行预处理得到待分割patch数据集，该待分割patch数据集是对待分割的CT原始数据裁切得到多幅二维图像；
所述第一网络模型用于提取待分割patch数据集的热图集；
所述第二网络模型用于对待分割patch数据集进行初步分割，获取初始分割图像集；
数据拼接模块用于对待分割patch数据集、热图集和初始分割图像集的进行数据拼接；
所述第三网络模型用于对待分割patch数据集、热图集和初始分割图像集的拼接数据进行分割，输出分割图像集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911234498.7A CN111047605B (zh) | 2019-12-05 | 2019-12-05 | 一种脊椎ct分割网络模型的构建方法及分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911234498.7A CN111047605B (zh) | 2019-12-05 | 2019-12-05 | 一种脊椎ct分割网络模型的构建方法及分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111047605A CN111047605A (zh) | 2020-04-21 |
| CN111047605B true CN111047605B (zh) | 2023-04-07 |
Family
ID=70234726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911234498.7A Active CN111047605B (zh) | 2019-12-05 | 2019-12-05 | 一种脊椎ct分割网络模型的构建方法及分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047605B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111493918B (zh) * | 2020-04-24 | 2022-08-26 | 杭州健培科技有限公司 | 腰椎ct影像的观测面自动定位方法、应用方法及设备 |
| CN111862071B (zh) * | 2020-07-29 | 2024-03-05 | 南通大学 | 一种基于ct图像测量腰1椎体ct值的方法 |
| CN114170128B (zh) * | 2020-08-21 | 2023-05-30 | 张逸凌 | 基于深度学习的骨骼分割方法和*** |
| CN112529886B (zh) * | 2020-12-18 | 2024-06-07 | 西北工业大学 | 一种基于Attention DenseUNet的MRI神经胶质瘤分割方法 |
| CN113506308B (zh) * | 2021-07-06 | 2023-03-28 | 同济大学 | 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 |
| CN113487591A (zh) * | 2021-07-22 | 2021-10-08 | 上海嘉奥信息科技发展有限公司 | 一种基于ct的整条脊柱的分割方法、*** |
| CN113781496B (zh) * | 2021-08-06 | 2024-02-27 | 北京天智航医疗科技股份有限公司 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划***和方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038860A (zh) * | 2017-11-30 | 2018-05-15 | 杭州电子科技大学 | 基于3d全卷积神经网络的脊柱分割方法 |
| CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493347B (zh) * | 2017-09-12 | 2021-03-23 | 深圳科亚医疗科技有限公司 | 在图像中对稀疏分布的对象进行分割的方法和*** |
-
2019
- 2019-12-05 CN CN201911234498.7A patent/CN111047605B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038860A (zh) * | 2017-11-30 | 2018-05-15 | 杭州电子科技大学 | 基于3d全卷积神经网络的脊柱分割方法 |
| CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于字典学习的网络社团结构探测算法;张忠元;《中国科学:信息科学》(第11期);全文 * |
| 基于深度学习的脊柱CT图像分割;刘忠利等;《计算机应用与软件》(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111047605A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047605B (zh) | 一种脊椎ct分割网络模型的构建方法及分割方法 | |
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及*** | |
| CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
| CN110889853A (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| WO2021151275A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
| US10366488B2 (en) | Image processing used to estimate abnormalities | |
| CN111539956B (zh) | 基于脑部辅助图像的脑出血自动检测方法及电子介质 | |
| CN113393469A (zh) | 基于循环残差卷积神经网络的医学图像分割方法和装置 | |
| CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
| CN112465754B (zh) | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 | |
| CN114119515A (zh) | 一种基于注意力机制和mri多模态融合的脑肿瘤检测方法 | |
| CN113436173A (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及*** | |
| CN113744271A (zh) | 基于神经网络的视神经自动分割和受压迫程度测算方法 | |
| CN114882048A (zh) | 基于小波散射学习网络的图像分割方法和*** | |
| CN116758087B (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
| CN114066798B (zh) | 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法 | |
| CN116977338B (zh) | 基于视觉语义联合的染色体病例级异常提示*** | |
| Alsenan et al. | A Deep Learning Model based on MobileNetV3 and UNet for Spinal Cord Gray Matter Segmentation | |
| CN116433654A (zh) | 一种改进的U-Net网络实现脊柱整体分割方法 | |
| CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
| CN113850816B (zh) | 一种***mri图像的分割装置及方法 | |
| CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
| CN111598904B (zh) | 图像分割方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |