CN111340825A - 一种纵膈***分割模型的生成方法及*** - Google Patents
一种纵膈***分割模型的生成方法及*** Download PDFInfo
- Publication number
- CN111340825A CN111340825A CN202010148259.6A CN202010148259A CN111340825A CN 111340825 A CN111340825 A CN 111340825A CN 202010148259 A CN202010148259 A CN 202010148259A CN 111340825 A CN111340825 A CN 111340825A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- lymph node
- mediastinal lymph
- dimensional
- 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.)
- Granted
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种纵膈***分割模型的生成方法及***,涉及医疗图像处理技术领域,包括:获取若干胸外科患者的肺部CT图像,并对各肺部CT图像进行三维重建,得到三维图像;分别对各三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;将各三维标注图像进行分组,得到训练集、测试集和矫正集;训练集训练得到纵膈***分割模型;测试集输入纵膈***分割模型得到相应的分割图像,计算纵膈***分割模型的分割准确率;分割准确率小于准确率阈值,则矫正集对纵膈***分割模型进行矫正;分割准确率不小于准确率阈值,则将纵膈***分割模型进行保存。本发明有效提高纵膈***分割的准确性,且无需人工干预,实用性强。
Description
技术领域
本发明涉及医疗图像处理技术领域,尤其涉及一种纵膈***分割模型的生成方法及***。
背景技术
肺癌的发病率高、死亡率高、5年生存率低,是全球癌症致死首要因素。肺癌晚期时会出现扩散和转移,其中纵隔***转移是比较常见的一种情况。肺癌在出现淋巴转移的早期并没有明显的症状,到了晚期的时候会出现***肿大。随着病情的加重,会出现多个***肿大的情况。肺癌出现***转移之后,绝大多数都没有较好的办法治疗,因为此时癌细胞扩散转移已经非常严重,通过淋巴***遍布全身各处,形成很多的新的癌症病灶。因此,***的准确分割对于手术摘除病灶有非常重要的意义。
目前医学影像学已经成为肺癌检查、治疗方案选择及疗效检测等最重要的手段之一,依据X射线成像、超声成像、计算机断层成像(Computer Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、正电子发射断层成像(Positron EmissionTomography,PET)等医学影像学检查方法,可以非侵入地“窥探”人体内部病灶,检查肿瘤并监测其病情变化。但在传统的***分割时,专业医师必须通过观察影像图像,进行人工分割。这种方法需要专业医生对大量的数据进行繁琐的人工操作,由于长期且大量的重复工作,医生可能会出现一些识别及边缘分割的误差,同时这种方法分割结果的准确性及可靠性严重依赖于医生的经验知识和专业素质,结果的准确性受到限制,因此,研究一种***自动分割***是十分必要的。
近年来,机器学习与深度学习不断发展,已经在多个领域发挥出优异的性能。在医学信息分析领域,机器学习与深度学习算法在乳腺肿块分类、乳腺钼靶肿瘤检测等领域中得到了广泛的应用。U型网络(U-Net)对细胞图像的成功分割,再次证明了深度学习可以很好地被用于医学图像的语义分割。目前深度学习在临床肺部病灶的应用多局限于肺部结节,然而肺部纵膈***的检测与分割对医生手术方案的制定,***清扫有着重大的意义,但是目前还没有利用深度学习从肺癌病灶的CT图像上对肺癌的纵膈***进行分割的方法。
发明内容
针对现有技术中存在的问题,本发明提供一种纵膈***分割模型的生成方法,具体包括以下步骤:
步骤S1,获取若干胸外科患者的肺部CT图像,并对各所述肺部CT图像进行三维重建,得到每个所述胸外科患者对应的三维图像;
步骤S2,分别对各所述三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;
步骤S3,将各所述三维标注图像进行分组,得到训练集、测试集和矫正集;
步骤S4,根据所述训练集中的各所述三维标注图像训练得到纵膈***分割模型;
步骤S5,分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像,并根据各所述分割图像与对应的所述真实纵膈***病灶区域,计算得到所述纵膈***分割模型的分割准确率;
步骤S6,将所述分割准确率与预设的准确率阈值进行比较:
若所述分割准确率小于所述准确率阈值,则转向步骤S7;
若所述分割准确率不小于所述准确率阈值,则转向步骤S8;
步骤S7,根据所述矫正集中的各所述三维标注图像对所述纵膈***分割模型进行矫正,随后返回所述步骤S6;
步骤S8,将所述纵膈***分割模型进行保存,以对纵膈***进行分割。
优选的,所述步骤S4具体包括:
步骤S41,于所述训练集中的每个所述三维标注图像上建立坐标系,并根据所述坐标系分别对各所述三维标注图像进行重叠采样得到若干图像块;
每个所述三维标注图像采样得到的所述图像块具有相同的数量和相同的预设尺寸,且每个所述图像块具有关联于所述坐标系的中心坐标;
步骤S42,针对每个所述三维标注图像采样得到的各所述图像块,将各所述图像块输入预先生成的深度残差U-net分割模型中进行特征学习,得到各所述图像块对应的子分割概率图;
所述子分割概率图中包括对应的所述图像块的各体素点为纵膈***的概率值;
步骤S43,根据所述中心坐标将各所述子分割概率图还原在对应的各所述图像块所在的所述坐标系中,并对各所述子分割概率图之间的重合体素点的所述概率值取平均,得到所述三维图像的总分割概率图;
步骤S44,将所述总分割概率图中各体素点的所述概率值与预设的类概率阈值进行比较:
若所述概率值大于所述类概率阈值,则将对应的所述体素点的体素值设置为表征所述体素点为病灶区的一第一数值,随后转向步骤S45;
若所述概率值不大于所述类概率阈值,则将对应的所述体素点的体素值设置为表征所述体素点不为病灶区的一第二数值,随后转向步骤S45;
步骤S45,根据所述第一数值和所述第二数值生成所述三维标注图像的纵膈***分割结果,计算所述纵膈***分割结果与所述真实纵膈***病灶区域之间的误差,并根据所述误差调整所述深度残差U-net分割模型的参数;
步骤S46,重复执行所述步骤S42至所述步骤S45,直至训练结束,得到纵膈***分割模型。
优选的,所述步骤S41中,所述预设尺寸为24像素*24像素*8像素。
优选的,所述步骤S44中,所述第一数值为1。
优选的,所述步骤S44中,所述第二数值为0。
优选的,所述步骤S5具体包括:
步骤S51,分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像;
步骤S52,根据各所述分割图像与对应的所述真实纵膈***病灶区域,分别计算得到每个所述分割图像与对应的所述真实纵膈***病灶区域之间的重合率,并将所述重合率与预设的重合率阈值进行比较:
若所述重合率不小于所述重合率阈值,则将对应的所述三维标注图像加入一第一图像库,随后转向步骤S53;
若所述重合率小于所述重合率阈值,则将对应的所述三维标注图像加入一第二图像库,随后转向步骤S53;
步骤S53,分别统计得到所述第一图像库中的所述三维标注图像的第一数量,以及所述第二图像库中的所述三维标注图像的第二数量,并根据所述第一数量和所述第二数量计算得到所述纵膈***分割模型的分割准确率。
优选的,所述步骤S53中,按照如下公式计算所述分割准确率:
Ar=N1/(N1+N2)
其中,
Ar表示所述分割准确率;
N1表示所述第一数量;
N2表示所述第二数量。
一种纵膈***分割模型的生成***,应用以上任意一项所述的纵膈***分割模型的生成方法,所述生成***具体包括:
数据获取模块,用于获取若干胸外科患者的肺部CT图像,并对各所述肺部CT图像进行三维重建,得到每个所述胸外科患者对应的三维图像;
数据预处理模块,连接所述数据获取模块,用于分别对各所述三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;
数据分组模块,连接所述数据预处理模块,用于将各所述三维标注图像进行分组,得到训练集、测试集和矫正集;
模型训练模块,连接所述数据分组模块,用于根据所述训练集中的各所述三维标注图像训练得到纵膈***分割模型;
模型评价模块,分别连接所述数据分组模块和所述模型训练模块,用于分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像,并根据各所述分割图像与对应的所述真实纵膈***病灶区域,计算得到所述纵膈***分割模型的分割准确率;
数据比较模块,连接所述模型评价模块,用于将所述分割准确率与预设的准确率阈值进行比较,并在所述分割准确率不小于所述准确率阈值时生成第一比较结果,以及在所述分割准确率小于所述准确率阈值时生成第二比较结果;
模型矫正模块,分别连接所述数据分组模块和所述数据比较模块,用于根据所述第一比较结果和所述矫正集中的各所述三维标注图像对所述纵膈***分割模型进行矫正;
模型存储模块,连接所述数据比较模块,用于根据所述第二比较结果将所述纵膈***分割模型进行保存,以对纵膈***进行分割。
优选的,所述模型训练模块具体包括:
图像采样单元,用于于所述训练集中的每个所述三维标注图像上建立坐标系,并根据所述坐标系分别对各所述三维标注图像进行采样得到若干图像块;
每个所述三维标注图像采样得到的所述图像块具有相同的数量和相同的预设尺寸,且每个所述图像块具有关联于所述坐标系的中心坐标;
特征学习单元,连接所述图像采样单元,用于针对每个所述三维标注图像采样得到的各所述图像块,将各所述图像块输入预先生成的深度残差U-net分割模型中进行特征学习,得到各所述图像块对应的子分割概率图;
所述子分割概率图中包括对应的所述图像块的各体素点为纵膈***的概率值;
图像还原单元,连接所述特征学***均,得到所述三维图像的总分割概率图;
概率比较单元,连接所述图像还原单元,用于将所述总分割概率图中各体素点的所述概率值与预设的类概率阈值进行比较,并在所述概率值大于所述类概率阈值时将对应的所述体素点的体素值设置为表征所述体素点为病灶区的一第一数值,以及
在所述概率值不大于所述类概率阈值,则将对应的所述体素点的体素值设置为表征所述体素点不为病灶区的一第二数值;
数据调整单元,连接所述数据比较单元,用于根据所述第一数值和所述第二数值生成所述三维图像的纵膈***分割结果,计算所述纵膈***分割结果与所述真实纵膈***病灶区域之间的误差,并根据所述误差调整所述深度残差U-net分割模型的参数;
模型生成单元,连接所述数据调整单元,用于在训练结束时,得到纵膈***分割模型。
优选的,所述模型评价模块具体包括:
图像分割单元,用于分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像;
图像处理单元,连接所述图像分割单元,用于根据各所述分割图像与对应的所述真实纵膈***病灶区域,分别计算得到每个所述分割图像与对应的所述真实纵膈***病灶区域之间的重合率,并在所述重合率不小于预设的重合率阈值时将对应的所述三维标注图像加入一第一图像库,以及
在所述重合率小于所述重合率阈值时将对应的所述三维标注图像加入一第二图像库;
数据处理单元,连接所述图像处理单元,用于分别统计得到所述第一图像库中的所述三维标注图像的第一数量,以及所述第二图像库中的所述三维标注图像的第二数量,并根据所述第一数量和所述第二数量计算得到所述纵膈***分割模型的分割准确率。
上述技术方案具有如下优点或有益效果:
1)训练集中三维图像的重叠采样,有效提高纵膈***分割模型的准确性和特异性,且无需人工干预,实用性强;
2)测试集对纵膈***分割模型的测试结果不理想时,采用矫正集对纵膈***分割模型进行矫正,进一步提升纵膈***分割模型的分割准确率;
3)通过纵膈***分割模型能够实现纵膈***的自动分割,帮助医生做进一步的诊断,及时确诊病情,确定手术方案,进而能够减轻医生的工作强度,避免耽搁病情的最佳治疗时机。
附图说明
图1为本发明的较佳的实施例中,一种纵膈***分割模型的生成方法的流程示意图;
图2为本发明的较佳的实施例中,纵膈***分割模型的训练过程流程示意图;
图3为本发明的较佳的实施例中,分割准确率的计算方法流程图;
图4为本发明的较佳的实施例中,一种纵膈***分割模型的生成***的结构示意图。
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。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种纵膈***分割模型的生成方法,如图1所示,具体包括以下步骤:
步骤S1,获取若干胸外科患者的肺部CT图像,并对各肺部CT图像进行三维重建,得到每个胸外科患者对应的三维图像;
步骤S2,分别对各三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;
步骤S3,将各三维标注图像进行分组,得到训练集、测试集和矫正集;
步骤S4,根据训练集中的各三维标注图像训练得到纵膈***分割模型;
步骤S5,分别将测试集中的每个三维标注图像输入纵膈***分割模型得到相应的分割图像,并根据各分割图像与对应的真实纵膈***病灶区域,计算得到纵膈***分割模型的分割准确率;
步骤S6,将分割准确率与预设的准确率阈值进行比较:
若分割准确率小于准确率阈值,则转向步骤S7;
若分割准确率不小于准确率阈值,则转向步骤S8;
步骤S7,根据矫正集中的各三维标注图像对纵膈***分割模型进行矫正,随后返回步骤S6;
步骤S8,将纵膈***分割模型进行保存,以对纵膈***进行分割。
具体地,本实施例中,优选获取胸外科患者的包括各期影像学数据集图像的共3700套肺部CT图像,每套肺部CT图像中包括若干张扫描层面图像,该扫描层面图像为二维图像,通过对每套肺部CT图像中的扫描层面图像进行三维重建,得到相应的三维图像。随后由影像专家根据各三维图像进行纵膈***的三维分割,得到标记有真实纵膈***病灶区域的三维标注图像。优选将3700个三维标注图像随机分为训练集、测试集和矫正集,其中训练集中包含2000个三维标注图像,用于训练得到纵膈***分割模型;测试集包含1200个三维标注图像,用于对训练得到的纵膈***分割模型进行测试评价,并以纵膈***分割模型的分割准确率为评价标准;矫正集包含500个三维标注图像,用于在分割准确率未达到预设标准时,对纵膈***分割模型进行矫正,最终得到的纵膈***分割模型用于纵膈***的分割。
本发明的较佳的实施例中,如图2所示,步骤S4具体包括:
步骤S41,于训练集中的每个三维标注图像上建立坐标系,并根据坐标系分别对各三维标注图像进行重叠采样得到若干图像块;
每个三维标注图像采样得到的图像块具有相同的数量和相同的预设尺寸,且每个图像块具有关联于坐标系的中心坐标;
步骤S42,针对每个三维标注图像采样得到的各图像块,将各图像块输入预先生成的深度残差U-net分割模型中进行特征学习,得到各图像块对应的子分割概率图;
子分割概率图中包括对应的图像块的各体素点为纵膈***的概率值;
步骤S43,根据中心坐标将各子分割概率图还原在对应的各图像块所在的坐标系中,并对各子分割概率图之间的重合体素点的概率值取平均,得到三维图像的总分割概率图;
步骤S44,将总分割概率图中各体素点的概率值与预设的类概率阈值进行比较:
若概率值大于类概率阈值,则将对应的体素点的体素值设置为表征体素点为病灶区的一第一数值,随后转向步骤S45;
若概率值不大于类概率阈值,则将对应的体素点的体素值设置为表征体素点不为病灶区的一第二数值,随后转向步骤S45;
步骤S45,根据第一数值和第二数值生成三维标注图像的纵膈***分割结果,计算纵膈***分割结果与真实纵膈***病灶区域之间的误差,并根据误差调整深度残差U-net分割模型的参数;
步骤S46,重复执行步骤S42至步骤S45,直至训练结束,得到纵膈***分割模型。
具体地,本实施例中,纵膈***分割模型包括三个处理过程,其中,第一个处理过程为对三维标注图像进行采样的过程:
本实施例中,优选以真实纵膈***病灶区域为中心的采样方式,将三维标注图像采样成小块作为下一处理过程的输入数据。由于每个三维标注图像中真实纵膈***病灶区域的大小不同,为使得每个三维标注图像采样得到的图像块具有相同的数量的预设尺寸,在采样过程中,优选对具有不同大小真实纵膈***病灶区域的三维标注图像采用不同的采样间隔,具有更大真实纵膈***病灶区域的三维标注图像采用较大的采样间隔;具有更小真实纵膈***病灶区域的三维标注图像采用较小的采样间隔。
第二个处理过程为图像块的粗分割过程,采用深度残差U-net分割模型进行图像块的粗分割:
上述深度残差U-net分割模型的网络结构包括一压缩过程和一扩展过程,在压缩过程中,输入的图像块首先经过卷积层、批归一化层、激活层、卷积层、相加层的处理,得到第一特征图;第一特征图经过下采样特征压缩得到第二特征图;第二特征图经过下采样特征压缩得到第三特征图;第三特征图经过下采样特征压缩得到第四特征图;在扩展过程中,第四特征图经过上采样得到第五特征图,并将第五特征图与第三特征图进行特征融合,随后进行上采样得到第六特征图,并将第六特征图与第二特征图进行特征融合,随后进行上采样得到第七特征图,并将第七特征图与第一特征图进行特征融合,随后经过卷积处理后,与Sigmoid激活相乘,得到图像块对应的子分割概率图;
第三个处理过程是图像块的细分割过程:
在得到上述的子分割概率图后,将各图像块根据其中心坐标还原回原先位置,并对各子分割概率图之间的重合体素点的概率值取平均,得到三维图像的总分割概率图。由于图像块分割结果是对重合体素点取概率平均,且以类概率作为病灶区体素值的结果会导致假阳性提高,从而会产生误差。为了优化分割结果,去除伪病灶点,进而降低假阳性,设定类概率阈值,将大于类概率阈值处的体素值设置为第一数值,优选为1,将不大于类概率阈值处的体素值设置为第二数值,优选为0。粗分割结果中会出现一些类概率很低的体素值,而该区域并不属于病灶区,通过设定类概率阈值将其设为健康区域,进而得到精准分割结果,实现纵膈***分割模型的建立。
本发明的较佳的实施例中,步骤S41中,预设尺寸为24像素*24像素*8像素。
本发明的较佳的实施例中,步骤S44中,第一数值为1。
本发明的较佳的实施例中,步骤S44中,第二数值为0。
本发明的较佳的实施例中,如图3所示,步骤S5具体包括:
步骤S51,分别将测试集中的每个三维标注图像输入纵膈***分割模型得到相应的分割图像;
步骤S52,根据各分割图像与对应的真实纵膈***病灶区域,分别计算得到每个分割图像与对应的真实纵膈***病灶区域之间的重合率,并将重合率与预设的重合率阈值进行比较:
若重合率不小于重合率阈值,则将对应的三维标注图像加入一第一图像库,随后转向步骤S53;
若重合率小于重合率阈值,则将对应的三维标注图像加入一第二图像库,随后转向步骤S53;
步骤S53,分别统计得到第一图像库中的三维标注图像的第一数量,以及第二图像库中的三维标注图像的第二数量,并根据第一数量和第二数量计算得到纵膈***分割模型的分割准确率。
本发明的较佳的实施例中,步骤S53中,按照如下公式计算分割准确率:
Ar=N1/(N1+N2)
其中,
Ar表示分割准确率;
N1表示第一数量;
N2表示第二数量。
一种纵膈***分割模型的生成***,应用以上任意一项的纵膈***分割模型的生成方法,如图4所示,生成***具体包括:
数据获取模块1,用于获取若干胸外科患者的肺部CT图像,并对各肺部CT图像进行三维重建,得到每个胸外科患者对应的三维图像;
数据预处理模块2,连接数据获取模块1,用于分别对各三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;
数据分组模块3,连接数据预处理模块2,用于将各三维标注图像进行分组,得到训练集、测试集和矫正集;
模型训练模块4,连接数据分组模块4,用于根据训练集中的各三维标注图像训练得到纵膈***分割模型;
模型评价模块5,分别连接数据分组模块3和模型训练模块4,用于分别将测试集中的每个三维标注图像输入纵膈***分割模型得到相应的分割图像,并根据各分割图像与对应的真实纵膈***病灶区域,计算得到纵膈***分割模型的分割准确率;
数据比较模块6,连接模型评价模块5,用于将分割准确率与预设的准确率阈值进行比,并在分割准确率不小于准确率阈值时生成第一比较结果,以及在分割准确率小于准确率阈值时生成第二比较结果;
模型矫正模块7,分别连接数据分组模块3和数据比较模块6,用于根据第一比较结果和矫正集中的各三维标注图像对纵膈***分割模型进行矫正;
模型存储模块8,连接数据比较模块7,用于根据第二比较结果将纵膈***分割模型进行保存,以对纵膈***进行分割。
本发明的较佳的实施例中,如图4所示,模型训练模块4具体包括:
图像采样单元41,用于于训练集中的每个三维标注图像上建立坐标系,并根据坐标系分别对各三维标注图像进行采样得到若干图像块;
每个三维标注图像采样得到的图像块具有相同的数量和相同的预设尺寸,且每个图像块具有关联于坐标系的中心坐标;
特征学习单元42,连接图像采样单元41,用于针对每个三维标注图像采样得到的各图像块,将各图像块输入预先生成的深度残差U-net分割模型中进行特征学习,得到各图像块对应的子分割概率图;
子分割概率图中包括对应的图像块的各体素点为纵膈***的概率值;
图像还原单元43,连接特征学***均,得到三维图像的总分割概率图;
概率比较单元44,连接图像还原单元43,用于将总分割概率图中各体素点的概率值与预设的类概率阈值进行比较,并在概率值大于类概率阈值时将对应的体素点的体素值设置为表征体素点为病灶区的一第一数值,以及
在概率值不大于类概率阈值,则将对应的体素点的体素值设置为表征体素点不为病灶区的一第二数值;
数据调整单元45,连接数据比较单元44,用于根据第一数值和第二数值生成三维图像的纵膈***分割结果,计算纵膈***分割结果与真实纵膈***病灶区域之间的误差,并根据误差调整深度残差U-net分割模型的参数;
模型生成单元46,连接数据调整单元45,用于在训练结束时,得到纵膈***分割模型。
本发明的较佳的实施例中,如图4所示,模型评价模块5具体包括:
图像分割单元51,用于分别将测试集中的每个三维标注图像输入纵膈***分割模型得到相应的分割图像;
图像处理单元52,连接图像分割单元51,用于根据各分割图像与对应的真实纵膈***病灶区域,分别计算得到每个分割图像与对应的真实纵膈***病灶区域之间的重合率,并在重合率不小于预设的重合率阈值时将对应的三维标注图像加入一第一图像库,以及
在重合率小于重合率阈值时将对应的三维标注图像加入一第二图像库;
数据处理单元53,连接图像处理单元52,用于分别统计得到第一图像库中的三维标注图像的第一数量,以及第二图像库中的三维标注图像的第二数量,并根据第一数量和第二数量计算得到纵膈***分割模型的分割准确率。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种纵膈***分割模型的生成方法,其特征在于,具体包括以下步骤:
步骤S1,获取若干胸外科患者的肺部CT图像,并对各所述肺部CT图像进行三维重建,得到每个所述胸外科患者对应的三维图像;
步骤S2,分别对各所述三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;
步骤S3,将各所述三维标注图像进行分组,得到训练集、测试集和矫正集;
步骤S4,根据所述训练集中的各所述三维标注图像训练得到纵膈***分割模型;
步骤S5,分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像,并根据各所述分割图像与对应的所述真实纵膈***病灶区域,计算得到所述纵膈***分割模型的分割准确率;
步骤S6,将所述分割准确率与预设的准确率阈值进行比较:
若所述分割准确率小于所述准确率阈值,则转向步骤S7;
若所述分割准确率不小于所述准确率阈值,则转向步骤S8;
步骤S7,根据所述矫正集中的各所述三维标注图像对所述纵膈***分割模型进行矫正,随后返回所述步骤S6;
步骤S8,将所述纵膈***分割模型进行保存,以对纵膈***进行分割。
2.根据权利要求1所述的纵膈***分割模型的生成方法,其特征在于,所述步骤S4具体包括:
步骤S41,于所述训练集中的每个所述三维标注图像上建立坐标系,并根据所述坐标系分别对各所述三维标注图像进行重叠采样得到若干图像块;
每个所述三维标注图像采样得到的所述图像块具有相同的数量和相同的预设尺寸,且每个所述图像块具有关联于所述坐标系的中心坐标;
步骤S42,针对每个所述三维标注图像采样得到的各所述图像块,将各所述图像块输入预先生成的深度残差U-net分割模型中进行特征学习,得到各所述图像块对应的子分割概率图;
所述子分割概率图中包括对应的所述图像块的各体素点为纵膈***的概率值;
步骤S43,根据所述中心坐标将各所述子分割概率图还原在对应的各所述图像块所在的所述坐标系中,并对各所述子分割概率图之间的重合体素点的所述概率值取平均,得到所述三维图像的总分割概率图;
步骤S44,将所述总分割概率图中各体素点的所述概率值与预设的类概率阈值进行比较:
若所述概率值大于所述类概率阈值,则将对应的所述体素点的体素值设置为表征所述体素点为病灶区的一第一数值,随后转向步骤S45;
若所述概率值不大于所述类概率阈值,则将对应的所述体素点的体素值设置为表征所述体素点不为病灶区的一第二数值,随后转向步骤S45;
步骤S45,根据所述第一数值和所述第二数值生成所述三维标注图像的纵膈***分割结果,计算所述纵膈***分割结果与所述真实纵膈***病灶区域之间的误差,并根据所述误差调整所述深度残差U-net分割模型的参数;
步骤S46,重复执行所述步骤S42至所述步骤S45,直至训练结束,得到纵膈***分割模型。
3.根据权利要求2所述的纵膈***分割模型的生成方法,其特征在于,所述步骤S41中,所述预设尺寸为24像素*24像素*8像素。
4.根据权利要求2所述的纵膈***分割模型的生成方法,其特征在于,所述步骤S44中,所述第一数值为1。
5.根据权利要求2所述的纵膈***分割模型的生成方法,其特征在于,所述步骤S44中,所述第二数值为0。
6.根据权利要求1所述的纵膈***分割模型的生成方法,其特征在于,所述步骤S5具体包括:
步骤S51,分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像;
步骤S52,根据各所述分割图像与对应的所述真实纵膈***病灶区域,分别计算得到每个所述分割图像与对应的所述真实纵膈***病灶区域之间的重合率,并将所述重合率与预设的重合率阈值进行比较:
若所述重合率不小于所述重合率阈值,则将对应的所述三维标注图像加入一第一图像库,随后转向步骤S53;
若所述重合率小于所述重合率阈值,则将对应的所述三维标注图像加入一第二图像库,随后转向步骤S53;
步骤S53,分别统计得到所述第一图像库中的所述三维标注图像的第一数量,以及所述第二图像库中的所述三维标注图像的第二数量,并根据所述第一数量和所述第二数量计算得到所述纵膈***分割模型的分割准确率。
7.根据权利要求6所述的纵膈***分割模型的生成方法,其特征在于,所述步骤S53中,按照如下公式计算所述分割准确率:
Ar=N1/(N1+N2)
其中,
Ar表示所述分割准确率;
N1表示所述第一数量;
N2表示所述第二数量。
8.一种纵膈***分割模型的生成***,其特征在于,应用如权利要求1-7中任意一项所述的纵膈***分割模型的生成方法,所述生成***具体包括:
数据获取模块,用于获取若干胸外科患者的肺部CT图像,并对各所述肺部CT图像进行三维重建,得到每个所述胸外科患者对应的三维图像;
数据预处理模块,连接所述数据获取模块,用于分别对各所述三维图像进行三维分割,得到标记有真实纵膈***病灶区域的三维标注图像;
数据分组模块,连接所述数据预处理模块,用于将各所述三维标注图像进行分组,得到训练集、测试集和矫正集;
模型训练模块,连接所述数据分组模块,用于根据所述训练集中的各所述三维标注图像训练得到纵膈***分割模型;
模型评价模块,分别连接所述数据分组模块和所述模型训练模块,用于分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像,并根据各所述分割图像与对应的所述真实纵膈***病灶区域,计算得到所述纵膈***分割模型的分割准确率;
数据比较模块,连接所述模型评价模块,用于将所述分割准确率与预设的准确率阈值进行比较,并在所述分割准确率不小于所述准确率阈值时生成第一比较结果,以及在所述分割准确率小于所述准确率阈值时生成第二比较结果;
模型矫正模块,分别连接所述数据分组模块和所述数据比较模块,用于根据所述第一比较结果和所述矫正集中的各所述三维标注图像对所述纵膈***分割模型进行矫正;
模型存储模块,连接所述数据比较模块,用于根据所述第二比较结果将所述纵膈***分割模型进行保存,以对纵膈***进行分割。
9.根据权利要求1所述的纵膈***分割模型的生成***,其特征在于,所述模型训练模块具体包括:
图像采样单元,用于于所述训练集中的每个所述三维标注图像上建立坐标系,并根据所述坐标系分别对各所述三维标注图像进行采样得到若干图像块;
每个所述三维标注图像采样得到的所述图像块具有相同的数量和相同的预设尺寸,且每个所述图像块具有关联于所述坐标系的中心坐标;
特征学习单元,连接所述图像采样单元,用于针对每个所述三维标注图像采样得到的各所述图像块,将各所述图像块输入预先生成的深度残差U-net分割模型中进行特征学习,得到各所述图像块对应的子分割概率图;
所述子分割概率图中包括对应的所述图像块的各体素点为纵膈***的概率值;
图像还原单元,连接所述特征学***均,得到所述三维图像的总分割概率图;
概率比较单元,连接所述图像还原单元,用于将所述总分割概率图中各体素点的所述概率值与预设的类概率阈值进行比较,并在所述概率值大于所述类概率阈值时将对应的所述体素点的体素值设置为表征所述体素点为病灶区的一第一数值,以及
在所述概率值不大于所述类概率阈值,则将对应的所述体素点的体素值设置为表征所述体素点不为病灶区的一第二数值;
数据调整单元,连接所述数据比较单元,用于根据所述第一数值和所述第二数值生成所述三维图像的纵膈***分割结果,计算所述纵膈***分割结果与所述真实纵膈***病灶区域之间的误差,并根据所述误差调整所述深度残差U-net分割模型的参数;
模型生成单元,连接所述数据调整单元,用于在训练结束时,得到纵膈***分割模型。
10.根据权利要求1所述的纵膈***分割模型的生成***,其特征在于,所述模型评价模块具体包括:
图像分割单元,用于分别将所述测试集中的每个所述三维标注图像输入所述纵膈***分割模型得到相应的分割图像;
图像处理单元,连接所述图像分割单元,用于根据各所述分割图像与对应的所述真实纵膈***病灶区域,分别计算得到每个所述分割图像与对应的所述真实纵膈***病灶区域之间的重合率,并在所述重合率不小于预设的重合率阈值时将对应的所述三维标注图像加入一第一图像库,以及
在所述重合率小于所述重合率阈值时将对应的所述三维标注图像加入一第二图像库;
数据处理单元,连接所述图像处理单元,用于分别统计得到所述第一图像库中的所述三维标注图像的第一数量,以及所述第二图像库中的所述三维标注图像的第二数量,并根据所述第一数量和所述第二数量计算得到所述纵膈***分割模型的分割准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148259.6A CN111340825B (zh) | 2020-03-05 | 2020-03-05 | 一种纵膈***分割模型的生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148259.6A CN111340825B (zh) | 2020-03-05 | 2020-03-05 | 一种纵膈***分割模型的生成方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340825A true CN111340825A (zh) | 2020-06-26 |
CN111340825B CN111340825B (zh) | 2023-05-09 |
Family
ID=71185914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148259.6A Active CN111340825B (zh) | 2020-03-05 | 2020-03-05 | 一种纵膈***分割模型的生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340825B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258500A (zh) * | 2020-11-10 | 2021-01-22 | 北京深睿博联科技有限责任公司 | ***分区方法、装置、设备及计算机可读存储介质 |
CN113408633A (zh) * | 2021-06-29 | 2021-09-17 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN113450381A (zh) * | 2021-06-16 | 2021-09-28 | 上海深至信息科技有限公司 | 一种图像分割模型的准确度评价***及方法 |
CN114820535A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN115272206A (zh) * | 2022-07-18 | 2022-11-01 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
WO2024045395A1 (zh) * | 2022-08-29 | 2024-03-07 | 杭州堃博生物科技有限公司 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
US20190057488A1 (en) * | 2017-08-17 | 2019-02-21 | Boe Technology Group Co., Ltd. | Image processing method and device |
CN109685811A (zh) * | 2018-12-24 | 2019-04-26 | 北京大学第三医院 | 基于双路径U-net卷积神经网络的PET/CT高代谢***分割方法 |
CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的***检测方法 |
CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
US20190333222A1 (en) * | 2018-04-26 | 2019-10-31 | NeuralSeg Ltd. | Systems and methods for segmenting an image |
CN110415253A (zh) * | 2019-05-06 | 2019-11-05 | 南京大学 | 一种基于深度神经网络的点交互式医学图像分割方法 |
CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别***的方法及装置 |
-
2020
- 2020-03-05 CN CN202010148259.6A patent/CN111340825B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
US20190057488A1 (en) * | 2017-08-17 | 2019-02-21 | Boe Technology Group Co., Ltd. | Image processing method and device |
US20190333222A1 (en) * | 2018-04-26 | 2019-10-31 | NeuralSeg Ltd. | Systems and methods for segmenting an image |
CN109685811A (zh) * | 2018-12-24 | 2019-04-26 | 北京大学第三医院 | 基于双路径U-net卷积神经网络的PET/CT高代谢***分割方法 |
CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的***检测方法 |
CN110415253A (zh) * | 2019-05-06 | 2019-11-05 | 南京大学 | 一种基于深度神经网络的点交互式医学图像分割方法 |
CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别***的方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258500A (zh) * | 2020-11-10 | 2021-01-22 | 北京深睿博联科技有限责任公司 | ***分区方法、装置、设备及计算机可读存储介质 |
CN112258500B (zh) * | 2020-11-10 | 2023-08-04 | 北京深睿博联科技有限责任公司 | ***分区方法、装置、设备及计算机可读存储介质 |
CN113450381A (zh) * | 2021-06-16 | 2021-09-28 | 上海深至信息科技有限公司 | 一种图像分割模型的准确度评价***及方法 |
CN113408633A (zh) * | 2021-06-29 | 2021-09-17 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN114820535A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN114820535B (zh) * | 2022-05-05 | 2023-09-12 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN115272206A (zh) * | 2022-07-18 | 2022-11-01 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
WO2024045395A1 (zh) * | 2022-08-29 | 2024-03-07 | 杭州堃博生物科技有限公司 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340825B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340825B (zh) | 一种纵膈***分割模型的生成方法及*** | |
JP5081390B2 (ja) | 腫瘍量を監視する方法及びシステム | |
TWI750583B (zh) | 醫學圖像分割方法、裝置、系統及圖像分割方法 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和*** | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割***和方法 | |
US8520923B2 (en) | Reporting organ volume for a medical digital image | |
KR102328229B1 (ko) | 인공지능 기반의 3차원 의료 영상을 이용한 종양 검출 및 진단 방법 | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
WO2019169403A1 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
CN114270397A (zh) | 使用电特性断层成像确定流体和组织体积估计的***和方法 | |
CN115100067A (zh) | 图像重建方法及装置 | |
WO2022164374A1 (en) | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN116580037B (zh) | 一种基于深度学习的鼻咽癌图像分割方法及*** | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
Dandıl et al. | A Mask R-CNN based Approach for Automatic Lung Segmentation in Computed Tomography Scans | |
Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks |
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 |