CN111915620A - 一种ct肋骨分割方法及装置 - Google Patents
一种ct肋骨分割方法及装置 Download PDFInfo
- Publication number
- CN111915620A CN111915620A CN202010564895.7A CN202010564895A CN111915620A CN 111915620 A CN111915620 A CN 111915620A CN 202010564895 A CN202010564895 A CN 202010564895A CN 111915620 A CN111915620 A CN 111915620A
- Authority
- CN
- China
- Prior art keywords
- rib
- data
- layer
- segmentation
- labels
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012805 post-processing Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000000844 transformation Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000027790 Rib fracture Diseases 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06N20/00—Machine learning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种CT肋骨分割方法及装置,方法包括:S1获取训练数据,根据训练数据生成两类标签;S2根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型;S3获取待分割CT数据,其中,待分割CT数据包括CT中所有层面;S4用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;S5根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果;S6利用后处理算法,得到待分割CT数据的CT肋骨分割结果。相比于传统的由人工启发式设计的算法,本发明基于海量数据和深度机器学习,从而在鲁棒性、可扩展性等方面具有优势。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种CT肋骨分割方法及装置。
背景技术
近年,深度机器学***等基于CT影像骨窗数据的自动分析***的性能。因此,肋骨分割成为一项关键技术。
过去,人们主要使用启发式的计算机视觉算法或传统机器学习算法分割CT影像中的肋骨区域。这类方法往往依赖于肋骨区域和背景区域的颜色或亮度差异,人工设计的特征或者使用少量数据训练的机器学习模型,难以保证鲁棒性,限制了其应用范围。近年来,基于深度机器学习的通用的图像语义分割方法虽有多次被应用于医学影像领域的例子,但是在肋骨分割方面,却少有针对性的优化或改进,存在生产成本高、预测精度低等问题。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的CT肋骨分割方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种CT肋骨分割方法,包括:S1,获取训练数据,根据训练数据生成两类标签,其中,两类标签包括:当前层的像素级肋骨标签和当前层与下一层或者多层的关系;S2,根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型,其中两任务共享输入和底层的特征表达,顶端使用各自的分类器;S3,获取待分割CT数据,其中,待分割CT数据包括CT中所有层面;S4,用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;S5,根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果;S6,利用后处理算法,得到待分割CT数据的CT肋骨分割结果。
其中,S5,根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果包括:对于相邻层,合并重合度大于阈值的肋骨轮廓,其中,重合度是相邻层的肋骨轮廓交的面积比并的面积,且计算交时排除被肋骨分割模型在每层中预测不属于同一根肋骨的像素点,或者重合度是计算相邻层的肋骨轮廓交的面积,或者重合度是通用的指标。
其中,后处理算法包括:删除零散的体积符合预设规则的连通域;或者使用条件随机场平滑输出。
其中,在S2根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型之后,S3,获取待分割CT数据之前,方法还包括:S21,利用肋骨分割模型在两类标签上推理以得到新的伪标签;S22,对新的伪标签进行优化,将优化后的新的伪标签作为两类标签;返回执行S2,根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型的步骤;重复执行S21-S22,直至符合预设结果,得到肋骨分割模型。
其中,对新的伪标签进行优化包括:对新的伪标签做多种变换,推理多次取输出的平均值。
本发明另一方面提供了一种CT肋骨分割装置,包括:第一获取模块,用于获取训练数据,根据训练数据生成两类标签,其中,两类标签包括:当前层的像素级肋骨标签和当前层与下一层或者多层的关系;训练模块,用于根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型,其中两任务共享输入和底层的特征表达,顶端使用各自的分类器;第二获取模块,用于获取待分割CT数据,其中,待分割CT数据包括CT中所有层面;第一肋骨轮廓分割模块,用于用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;第二肋骨轮廓分割模块,用于根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果;处理模块,用于利用后处理算法,得到待分割CT数据的CT肋骨分割结果。
其中,训练模块通过如下方式根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果:训练模块,具体用于对于相邻层,合并重合度大于阈值的肋骨轮廓,其中,重合度是相邻层的肋骨轮廓交的面积比并的面积,且计算交时排除被肋骨分割模型在每层中预测不属于同一根肋骨的像素点,或者重合度是计算相邻层的肋骨轮廓交的面积,或者重合度是通用的指标。
其中,后处理算法包括:删除零散的体积符合预设规则的连通域;或者使用条件随机场平滑输出。
其中,训练模块,还用于在训练模块根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型之后,第二获取模块获取待分割CT数据之前,利用肋骨分割模型在两类标签上推理以得到新的伪标签;对新的伪标签进行优化,将优化后的新的伪标签作为两类标签;返回执行根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型的步骤,重复执行直至符合预设结果,得到肋骨分割模型。
其中,训练模块通过如下方式对新的伪标签进行优化:训练模块,具体用于对新的伪标签做多种变换,推理多次取输出的平均值。
由此可见,通过本发明提供的CT肋骨分割方法及装置,利用深度机器学习技术,首先预测出CT中每一层图像上的肋骨轮廓以及相邻层轮廓之间的关系,然后合并各层的轮廓从而得到整份CT的肋骨分割结果,相比于传统的由人工启发式设计的算法,本发明基于海量数据和深度机器学习,从而在鲁棒性、可扩展性等方面具有优势。
此外,相比于现有的通用深度机器学习算法,本发明充分考虑了胸部CT图像中肋骨的结构特点(即每根肋骨从上而下的连续性),针对性地设计了模型结构,并根据肋骨分割任务的特点优化了数据标注流程,从而在控制成本、提高精度等方面有优势。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种CT肋骨分割方法的流程图;
图2为本发明实施例提供的另一种CT肋骨分割方法的流程图;
图3为本发明实施例提供的CT肋骨分割装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的核心是:训练深度图像语义分割模型用于预测CT中每层图像上的肋骨轮廓以及相邻层肋骨轮廓之间的关系,并基于此合并各层的轮廓从而得到CT上的三维肋骨分割结果。此外,为提升人工标注训练数据的效率和精度,其特征还在于多次迭代的模型预测与人工审核相结合的标注方式。
图1示出了本发明实施例提供的CT肋骨分割方法的流程图,参见图1,本发明实施例提供的CT肋骨分割方法,包括:
S1,获取训练数据,根据训练数据生成两类标签,其中,两类标签包括:当前层的像素级肋骨标签和当前层与下一层或者多层的关系。
具体地,训练时,使用的训练数据(监督信息)为像素级别的肋骨标签,不仅标记了是否是肋骨,还标记了是哪一根肋骨。例如,一般情况下,从上往下人体都有左右侧各12根肋骨。对于CT图像中的每一层,从上述监督信息中生成两类标签:第一,当前层的像素级肋骨标签,即每个像素点是否是肋骨;第二,当前层与下一层的关系,即对应位置的像素点是否属于同一根肋骨。或者,当前层与多层的关系,此时,将所预测的相邻层关系扩展到相邻多层。例如不仅预测当前层与下一层之间对应位置像素点是否属于同一根肋骨,还同时预测当前层与下下层之间对应位置像素点是否属于同一根肋骨,依次类推可以预测当前层与多层之间的关系。
S2,根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型,其中两任务共享输入和底层的特征表达,顶端使用各自的分类器。
具体地,以步骤S1的两类标签训练一个两任务的全卷积图像语义分割模型。两个任务共享输入和底层的特征表达,顶端使用各自的分类器。
作为本发明实施例的一个可选实施方式,在S2根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型之后,S3,获取待分割CT数据之前,本发明实施例提供的CT肋骨分割方法还包括:S21,利用肋骨分割模型在两类标签上推理以得到新的伪标签;S22,对新的伪标签进行优化,将优化后的新的伪标签作为两类标签;返回执行S2,根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型的步骤;重复执行S21-S22,直至符合预设结果,得到肋骨分割模型。其中,对新的伪标签进行优化包括:对新的伪标签做多种变换,推理多次取输出的平均值。
具体地,标记训练数据方面,采用AI辅助的多次迭代的人工标注方法以提高效率,降低成本。参见图2,其流程包括:第一,需要依靠人工标注一小部分数据;第二,用现有的数据训练肋骨分割模型;第三,用该模型在所有数据上推理一遍得到新的伪标签(即AI预测的未经人为确认的准确度无法保证的标签),其间,可使用一种被称为测试时数据增强的技术提高伪标签的稳定性(即对输入图像做各种变换,推理多次取输出的平均值,例如:正常推理一次,左右翻转输入再推理一次),同时还可以选择加入部分新的从未标注过的数据并推理出它们的伪标签;第三,人工复查这些伪标签并查漏补缺得到新的人工标记的数据集;最后,返回第二步并多次重复此流程。理想情况下,随着迭代次数的增加,模型预测的结果(伪标签)与训练该模型所使用的人工标记数据(真标签)的差别越来越小,且人工复查时(特别是对于新加入的数据)需要做出的修改越来越少。
S3,获取待分割CT数据,其中,待分割CT数据包括CT中所有层面。
具体地,在训练好肋骨分割模型后,可以利用训练好的肋骨分割模型对待分割CT数据中的肋骨进行分割。
S4,用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;
S5,根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果。
作为本发明实施例的一个可选实施方式,S5,根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果包括:对于相邻层,合并重合度大于阈值的肋骨轮廓,其中,重合度是相邻层的肋骨轮廓交的面积比并的面积,且计算交时排除被肋骨分割模型在每层中预测不属于同一根肋骨的像素点;或者重合度是计算相邻层的肋骨轮廓交的面积,或者重合度是通用的指标,例如:如DICE分数等。这在本发明中并不做具体限制。
S6,利用后处理算法,得到待分割CT数据的CT肋骨分割结果。
作为本发明实施例的一个可选实施方式,后处理算法包括:删除零散的体积符合预设规则的连通域;或者使用条件随机场平滑输出。
具体地,在获取待分割CT数据后,对CT肋骨分割的完整的流程可以包括:第一,用训练好的肋骨分割模型推理出CT中每一层上的二维分割结果以及相邻层关系,并基于二维分割使用连通域检测算法得到每层的肋骨轮廓;第二,依据相邻层关系合并所有层的肋骨轮廓得到三维分割结果,对于相邻层(即层一、层二),只合并重合度大于某阈值的轮廓,其中,重合度可以是二者交的面积比并的面积,且计算交时需排除被模型在层一上预测不属于同一根肋骨的像素点;第三,实施各种后处理算法,例如删除零散的体积很小的连通域或者使用条件随机场平滑输出的分割结果等。理想情况下,输出应当包含12对各自独立的三维连通域,分别对应12对肋骨之一。实际情况下,有时会因为扫描不全或者肋骨完全断裂等问题,少于或多于12对。
由此可见,利用本发明实施例提供的CT肋骨分割方法,使用深度全卷积网络结合连通域检测分割出CT中每层图像上的二维肋骨轮廓;使用深度全卷积网络预测出CT中每层图像上肋骨轮廓与下一层上轮廓之间的连通关系;基于上述的相邻层连通关系合并每层上的二维肋骨轮廓得到三维肋骨分割结果。相比于传统的由人工启发式设计的算法,本发明基于海量数据和深度机器学习,从而在鲁棒性、可扩展性等方面具有优势。
此外,为获取海量的有精确标注的数据,实施AI辅助的多次迭代的人工数据标注,即用训练好的模型推理出结果,经过人工复查和再标注得到新的数据集,然后再训练一个新的模型,并如此反复迭代多次。相比于现有的通用深度机器学习算法,本发明充分考虑了胸部CT图像中肋骨的结构特点(即每根肋骨从上而下的连续性),针对性地设计了模型结构,并根据肋骨分割任务的特点优化了数据标注流程,从而在控制成本、提高精度等方面有优势。
图3示出了本发明实施例提供的CT肋骨分割装置的结构示意图,该CT肋骨分割装置应用上述方法,以下仅对CT肋骨分割装置的结构进行简单说明,其他未尽事宜,请参照上述CT肋骨分割方法中的相关描述,参见图3,本发明实施例提供的CT肋骨分割装置,包括:
第一获取模块,用于获取训练数据,根据训练数据生成两类标签,其中,两类标签包括:当前层的像素级肋骨标签和当前层与下一层或者多层的关系;
训练模块,用于根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型,其中两任务共享输入和底层的特征表达,顶端使用各自的分类器;
第二获取模块,用于获取待分割CT数据,其中,待分割CT数据包括CT中所有层面;
第一肋骨轮廓分割模块,用于用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;
第二肋骨轮廓分割模块,用于根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果;
处理模块,用于利用后处理算法,得到待分割CT数据的CT肋骨分割结果。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果:训练模块,具体用于对于相邻层,合并重合度大于阈值的肋骨轮廓,其中,重合度是相邻层的肋骨轮廓交的面积比并的面积,且计算交时排除被肋骨分割模型在每层中预测不属于同一根肋骨的像素点,或者重合度是计算相邻层的肋骨轮廓交的面积,或者重合度是通用的指标。
作为本发明实施例的一个可选实施方式,后处理算法包括:删除零散的体积符合预设规则的连通域;或者使用条件随机场平滑输出。
作为本发明实施例的一个可选实施方式,训练模块,还用于在训练模块根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型之后,第二获取模块获取待分割CT数据之前,利用肋骨分割模型在两类标签上推理以得到新的伪标签;对新的伪标签进行优化,将优化后的新的伪标签作为两类标签;返回执行根据两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型的步骤,重复执行直至符合预设结果,得到肋骨分割模型。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式对新的伪标签进行优化:训练模块,具体用于对新的伪标签做多种变换,推理多次取输出的平均值。
由此可见,利用本发明实施例提供的CT肋骨分割装置,使用深度全卷积网络结合连通域检测分割出CT中每层图像上的二维肋骨轮廓;使用深度全卷积网络预测出CT中每层图像上肋骨轮廓与下一层上轮廓之间的连通关系;基于上述的相邻层连通关系合并每层上的二维肋骨轮廓得到三维肋骨分割结果。相比于传统的由人工启发式设计的算法,本发明基于海量数据和深度机器学习,从而在鲁棒性、可扩展性等方面具有优势。
此外,为获取海量的有精确标注的数据,实施AI辅助的多次迭代的人工数据标注,即用训练好的模型推理出结果,经过人工复查和再标注得到新的数据集,然后再训练一个新的模型,并如此反复迭代多次。相比于现有的通用深度机器学习算法,本发明充分考虑了胸部CT图像中肋骨的结构特点(即每根肋骨从上而下的连续性),针对性地设计了模型结构,并根据肋骨分割任务的特点优化了数据标注流程,从而在控制成本、提高精度等方面有优势。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种CT肋骨分割方法,其特征在于,包括:
S1,获取训练数据,根据所述训练数据生成两类标签,其中,所述两类标签包括:当前层的像素级肋骨标签和当前层与下一层或者多层的关系;
S2,根据所述两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型,其中所述两任务共享输入和底层的特征表达,顶端使用各自的分类器;
S3,获取待分割CT数据,其中,所述待分割CT数据包括CT中所有层面;
S4,用训练好的所述肋骨分割模型推理出所述待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;
S5,根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果;
S6,利用后处理算法,得到所述待分割CT数据的CT肋骨分割结果。
2.根据权利要求1所述的方法,其特征在于,所述S5,根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果包括:
对于相邻层,合并重合度大于阈值的肋骨轮廓,其中,所述重合度是相邻层的肋骨轮廓交的面积比并的面积,且计算交时排除被所述肋骨分割模型在每层中预测不属于同一根肋骨的像素点,或者所述重合度是计算相邻层的肋骨轮廓交的面积,或者所述重合度是通用的指标。
3.根据权利要求1所述的方法,其特征在于,所述后处理算法包括:
删除零散的体积符合预设规则的连通域;或者
使用条件随机场平滑输出。
4.根据权利要求1所述的方法,其特征在于,在所述S2根据所述两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型之后,所述S3,获取待分割CT数据之前,还包括:
S21,利用所述肋骨分割模型在所述两类标签上推理以得到新的伪标签;
S22,对所述新的伪标签进行优化,将优化后的所述新的伪标签作为所述两类标签;返回执行S2,根据所述两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型的步骤;
重复执行S21-S22,直至符合预设结果,得到所述肋骨分割模型。
5.根据权利要求4所述的方法,其特征在于,所述对所述新的伪标签进行优化包括:
对所述新的伪标签做多种变换,推理多次取输出的平均值。
6.一种CT肋骨分割装置,其特征在于,包括:
第一获取模块,用于获取训练数据,根据所述训练数据生成两类标签,其中,所述两类标签包括:当前层的像素级肋骨标签和当前层与下一层或者多层的关系;
训练模块,用于根据所述两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型,其中所述两任务共享输入和底层的特征表达,顶端使用各自的分类器;
第二获取模块,用于获取待分割CT数据,其中,所述待分割CT数据包括CT中所有层面;
第一肋骨轮廓分割模块,用于用训练好的所述肋骨分割模型推理出所述待分割CT数据中每一层上的二维分割结果以及相邻层关系,基于二维分割使用连通域检测算法得到每层的肋骨轮廓;
第二肋骨轮廓分割模块,用于根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果;
处理模块,用于利用后处理算法,得到所述待分割CT数据的CT肋骨分割结果。
7.根据权利要求6所述的装置,其特征在于,所述训练模块通过如下方式根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果:
所述训练模块,具体用于对于相邻层,合并重合度大于阈值的肋骨轮廓,其中,所述重合度是相邻层的肋骨轮廓交的面积比并的面积,且计算交时排除被所述肋骨分割模型在每层中预测不属于同一根肋骨的像素点,或者所述重合度是计算相邻层的肋骨轮廓交的面积,或者所述重合度是通用的指标。
8.根据权利要求6所述的装置,其特征在于,所述后处理算法包括:
删除零散的体积符合预设规则的连通域;或者
使用条件随机场平滑输出。
9.根据权利要求6所述的装置,其特征在于,所述训练模块,还用于在所述训练模块根据所述两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型之后,所述第二获取模块获取待分割CT数据之前,利用所述肋骨分割模型在所述两类标签上推理以得到新的伪标签;对所述新的伪标签进行优化,将优化后的所述新的伪标签作为所述两类标签;返回执行根据所述两类标签训练两任务的全卷积图像语义分割模型,得到肋骨分割模型的步骤,重复执行直至符合预设结果,得到所述肋骨分割模型。
10.根据权利要求9所述的装置,其特征在于,所述训练模块通过如下方式对所述新的伪标签进行优化:
所述训练模块,具体用于对所述新的伪标签做多种变换,推理多次取输出的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564895.7A CN111915620B (zh) | 2020-06-19 | 2020-06-19 | 一种ct肋骨分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564895.7A CN111915620B (zh) | 2020-06-19 | 2020-06-19 | 一种ct肋骨分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915620A true CN111915620A (zh) | 2020-11-10 |
CN111915620B CN111915620B (zh) | 2024-04-09 |
Family
ID=73238057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010564895.7A Active CN111915620B (zh) | 2020-06-19 | 2020-06-19 | 一种ct肋骨分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915620B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529849A (zh) * | 2020-11-27 | 2021-03-19 | 北京深睿博联科技有限责任公司 | 一种ct肋骨自动计数方法及装置 |
CN114049358A (zh) * | 2021-11-17 | 2022-02-15 | 苏州体素信息科技有限公司 | 肋骨实例分割、计数与定位的方法及*** |
CN117455925A (zh) * | 2023-12-26 | 2024-01-26 | 杭州健培科技有限公司 | 一种胸部多器官和肋骨分割方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150243055A1 (en) * | 2014-02-27 | 2015-08-27 | Fujifilm Corporation | Image Display Device And Method, And Medium Containing Program |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
CN111161268A (zh) * | 2019-12-12 | 2020-05-15 | 科大讯飞股份有限公司 | 图像处理方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-06-19 CN CN202010564895.7A patent/CN111915620B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150243055A1 (en) * | 2014-02-27 | 2015-08-27 | Fujifilm Corporation | Image Display Device And Method, And Medium Containing Program |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
CN111161268A (zh) * | 2019-12-12 | 2020-05-15 | 科大讯飞股份有限公司 | 图像处理方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
许朝晖 等: "CR数字胸片图像的几种肋骨分割方法", 中国图象图形学报, vol. 9, no. 10, 25 October 2004 (2004-10-25), pages 1239 - 1244 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529849A (zh) * | 2020-11-27 | 2021-03-19 | 北京深睿博联科技有限责任公司 | 一种ct肋骨自动计数方法及装置 |
WO2022111383A1 (zh) * | 2020-11-27 | 2022-06-02 | 北京深睿博联科技有限责任公司 | 一种ct肋骨自动计数方法及装置 |
CN112529849B (zh) * | 2020-11-27 | 2024-01-19 | 北京深睿博联科技有限责任公司 | 一种ct肋骨自动计数方法及装置 |
CN114049358A (zh) * | 2021-11-17 | 2022-02-15 | 苏州体素信息科技有限公司 | 肋骨实例分割、计数与定位的方法及*** |
CN117455925A (zh) * | 2023-12-26 | 2024-01-26 | 杭州健培科技有限公司 | 一种胸部多器官和肋骨分割方法及装置 |
CN117455925B (zh) * | 2023-12-26 | 2024-05-17 | 杭州健培科技有限公司 | 一种胸部多器官和肋骨分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111915620B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理*** | |
CN110807788B (zh) | 医学图像处理方法、装置、电子设备及计算机存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
CN111915620B (zh) | 一种ct肋骨分割方法及装置 | |
CN104899849B (zh) | 一种多目标交互式图像分割方法和装置 | |
US20170294014A1 (en) | Image processing used to estimate abnormalities | |
CN114066886B (zh) | 骨骼分割边界确定方法、装置、电子设备及存储介质 | |
CN114757950B (zh) | 超声图像处理方法、装置以及计算机可读存储介质 | |
CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
CN107169975A (zh) | 超声图像的分析方法及装置 | |
CN111681204A (zh) | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 | |
Ma et al. | Segmentation-based stereo matching using combinatorial similarity measurement and adaptive support region | |
Dou et al. | Tooth instance segmentation based on capturing dependencies and receptive field adjustment in cone beam computed tomography | |
CN112529849B (zh) | 一种ct肋骨自动计数方法及装置 | |
CN114299057A (zh) | 血管中心线的提取方法和存储介质 | |
CN116936116A (zh) | 一种智能医疗数据分析方法和*** | |
Mortaheb et al. | Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm | |
CN113706684A (zh) | 三维血管图像重建方法、***、医疗设备以及存储介质 | |
CN115147359B (zh) | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 | |
CN116681659A (zh) | 冠脉cta图像处理方法、设备、介质及临床决策*** | |
CN114037719B (zh) | 骨骼区域确定方法、装置、电子设备及存储介质 | |
CN113408595B (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 | |
CN113488146B (zh) | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 | |
US12026885B2 (en) | Method and system for automated segmentation of biological object parts in MRI | |
CN114066885B (zh) | 下肢骨骼模型构造方法、装置、电子设备及存储介质 |
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 |