CN112617799A - 一种用于子宫内膜肿瘤分割的网络模型及分割方法 - Google Patents

一种用于子宫内膜肿瘤分割的网络模型及分割方法 Download PDF

Info

Publication number
CN112617799A
CN112617799A CN202110006785.3A CN202110006785A CN112617799A CN 112617799 A CN112617799 A CN 112617799A CN 202110006785 A CN202110006785 A CN 202110006785A CN 112617799 A CN112617799 A CN 112617799A
Authority
CN
China
Prior art keywords
image
network model
training
segmentation
tumor
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.)
Withdrawn
Application number
CN202110006785.3A
Other languages
English (en)
Inventor
秦晨阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110006785.3A priority Critical patent/CN112617799A/zh
Publication of CN112617799A publication Critical patent/CN112617799A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4318—Evaluation of the lower reproductive system
    • A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种用于子宫内膜肿瘤分割的网络模型及分割方法，主要包括以下处理步骤：对原始图像进行预处理；将图像输入第一网络模型，对输入图像进行训练，得到子宫区域的分隔结果I1；将子宫区域灰度图像输入第二网络模型中进行训练，得到肿瘤的分隔结果I2。本发明对于在整张MR图像上直接对子宫内部肿瘤进行分割，由于目标物较小而造成的精准度低，灵敏度低等情况，在子宫分割的基础上恢复子宫区域的灰度，再对恢复灰度的子宫区域图像进行分割，就很好的缩小了肿瘤在图像中所占的比例，更有利于肿瘤的精准分割。

Description

一种用于子宫内膜肿瘤分割的网络模型及分割方法
技术领域
本发明涉及肿瘤分割方法技术领域，尤其涉及一种用于子宫内膜肿瘤分割的网络模型及分割方法。
背景技术
手术是子宫内膜癌最主要的治疗方法。对于早期患者，手术目的为手术-病理分期，准确判断病变范围及预后相关，切除病变的子宫和可能存在的转移病灶，决定术后辅助治疗的选择。在对子宫部位病变进行判断时，医学MR成像通常包含了很多子宫附近的组织和器官，在整张图像中子宫仅占较小的一部分，而子宫内膜肿瘤存在于子宫内部，在整张图像中所占的比例更小了，此时对肿瘤部位进行自动分割，就面临着较大的困难了。随着患者的逐年增多，医生需要大量的进行手工分割病变区域，工作量大且极易疲劳。
U-net网络是菲兹保大学的Olaf Ronneberger等人在2015年提出的。该网络可以用非常少的图像进行端对端训练,并且速度非常快,很适用于边界模糊以及ROI与背景区分不明显的图像。对于医学成像的灰度差异不明显，器官组织之间没有明确的边界的特点，可用于研究的医学图像相对于其他图像较少且难获取，U-net网路很适用于医学图像的分割。但是U-net对于大目标物的分割有着很好的效果，对于小目标物的分割效果很不理想。直接使用U-net网络对子宫内膜肿瘤进行分割，存在着较大的难度。
发明内容
本发明的目的在于提出一种利于实现肿瘤精准分割的子宫内膜肿瘤分割的分割模型及分割方法。
为达到上述目的，本发明提出一种用于子宫内膜肿瘤分割的网络模型，以U-net网络为基础训练两个网络模型：第一网络模型和第二网络模型，所述第一网络模型用于分割图像中子宫区域，所述第二网络模型用于分割图像中子宫内膜肿瘤区域；
以子宫内膜癌的MR图像及其对应的分割图作为训练集来训练网络模型，其中使用能量函数计算每个像素点的soft-max值，其定义为：
Figure BDA0002883792840000021
其中ak(x)表示像素的位置x处的特征通道类别数量k的激活值，pk(x)是近似的最大函数；
训练模型使用二进制交叉熵训练每个像素，并使用高斯分布初始化卷积核，使用梯度下降训练损失函数，使其收敛到最小值，更新公式为：
Figure BDA0002883792840000022
式中，∝为学习率。
本发明还提出一种子宫内膜肿瘤分割的分割方法，包括以下步骤：
步骤1：对原始图像进行预处理；
步骤2：将图像输入第一网络模型，对输入图像进行训练，得到子宫区域的分隔结果I1；
步骤3：将子宫区域灰度图像输入第二网络模型中进行训练，得到肿瘤的分隔结果I2。
优选的，在步骤1中，对图像进行预处理，包括归一化处理以及对图像进行尺寸调整的处理。
优选的，在步骤2中，包括以下步骤：
步骤2.1：制作训练集，将分割子宫区域的训练集的mask制作为子宫区域为白色，其余区域为黑色的二值图像；
步骤2.2：以U-net网络结构为基础设计第一神经网络，对输入图像进行训练，将图像中子宫区域进行精准分割，并通过反复实验和训练得到网络模型W1；得到子宫区域的分割结果I1。
优选的，在步骤3中，包括以下步骤：
步骤3.1：将第一网络模型训练使用的mask与第一网络模型的输入图像进行叠加，得到子宫区域为原始灰度，其余区域为黑色的图像，制作子宫内膜肿瘤的mask，将操作得到的图像作为第二网络模型的训练集；
步骤3.2：以U-net网络结构以为基础设计第二个神经网络，将子宫区域灰度图像输入第二个网络模型中进行训练，对子宫区域灰度图像中的肿瘤进行精准分割，并通过反复实验和训练得到网络模型W2；得到最终的肿瘤的分割结果I2。
与现有技术相比，本发明的优势之处在于：对于在整张MR图像上直接对子宫内部肿瘤进行分割，由于目标物较小而造成的精准度低，灵敏度低等情况，在子宫分割的基础上恢复子宫区域的灰度，再对恢复灰度的子宫区域图像进行分割，就很好的缩小了肿瘤在图像中所占的比例，更有利于肿瘤的精准分割。
附图说明
图1为本发明实施例中分割方法的整体流程示意图；
图2为本发明实施例中对第一网络模型训练的流程示意图；
图3为本发明实施例中对第二网络模型训练的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案作进一步地说明。
本发明提出一种用于子宫内膜肿瘤分割的网络模型，以U-net网络为基础训练两个网络模型：第一网络模型和第二网络模型，所述第一网络模型用于分割图像中子宫区域，所述第二网络模型用于分割图像中子宫内膜肿瘤区域；
以子宫内膜癌的MR图像及其对应的分割图作为训练集来训练网络模型，其中使用能量函数计算每个像素点的soft-max值，其定义为：
Figure BDA0002883792840000041
其中ak(x)表示像素的位置x处的特征通道类别数量k的激活值，pk(x)是近似的最大函数；
训练模型使用二进制交叉熵训练每个像素，并使用高斯分布初始化卷积核，使用梯度下降训练损失函数，使其收敛到最小值，更新公式为：
Figure BDA0002883792840000042
式中，∝为学习率。
如图1所示，本发明还提出一种子宫内膜肿瘤分割的分割方法，包括以下步骤：
步骤1：对原始图像进行预处理；
在步骤1中，对图像进行预处理，包括归一化处理以及对图像进行尺寸调整的处理。
步骤2：将图像输入第一网络模型，对输入图像进行训练，得到子宫区域的分隔结果I1；
步骤2.1：如图2所示，制作训练集，将分割子宫区域的训练集的mask制作为子宫区域为白色，其余区域为黑色的二值图像；
步骤2.2：以U-net网络结构为基础设计第一神经网络，对输入图像进行训练，将图像中子宫区域进行精准分割，并通过反复实验和训练得到网络模型W1；得到子宫区域的分割结果I1。
步骤3：将子宫区域灰度图像输入第二网络模型中进行训练，得到肿瘤的分隔结果I2。
步骤3.1：如图3所示，将第一网络模型训练使用的mask与第一网络模型的输入图像进行叠加，得到子宫区域为原始灰度，其余区域为黑色的图像，制作子宫内膜肿瘤的mask，将操作得到的图像作为第二网络模型的训练集；
步骤3.2：以U-net网络结构以为基础设计第二个神经网络，将子宫区域灰度图像输入第二个网络模型中进行训练，对子宫区域灰度图像中的肿瘤进行精准分割，并通过反复实验和训练得到网络模型W2；得到最终的肿瘤的分割结果I2。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (5)

1.一种用于子宫内膜肿瘤分割的网络模型，其特征在于，以U-net网络为基础训练两个网络模型：第一网络模型和第二网络模型，所述第一网络模型用于分割图像中子宫区域，所述第二网络模型用于分割图像中子宫内膜肿瘤区域；
以子宫内膜癌的MR图像及其对应的分割图作为训练集来训练网络模型，其中使用能量函数计算每个像素点的soft-max值，其定义为：
Figure FDA0002883792830000011
其中ak(x)表示像素的位置x处的特征通道类别数量k的激活值，pk(x)是近似的最大函数；
训练模型使用二进制交叉熵训练每个像素，并使用高斯分布初始化卷积核，使用梯度下降训练损失函数，使其收敛到最小值，更新公式为：
Figure FDA0002883792830000012
式中，∝为学习率。
2.一种子宫内膜肿瘤分割的分割方法，使用如权利要求1所述的用于子宫内膜肿瘤分割的网络模型，其特征在于，包括以下步骤：
步骤1：对原始图像进行预处理；
步骤2：将图像输入第一网络模型，对输入图像进行训练，得到子宫区域的分隔结果I1；
步骤3：将子宫区域灰度图像输入第二网络模型中进行训练，得到肿瘤的分隔结果I2。
3.根据权利要求2所述的子宫内膜肿瘤分割的分割方法，其特征在于，在步骤1中，对图像进行预处理，包括归一化处理以及对图像进行尺寸调整的处理。
4.根据权利要求2所述的子宫内膜肿瘤分割的分割方法，其特征在于，在步骤2中，包括以下步骤：
步骤2.1：制作训练集，将分割子宫区域的训练集的mask制作为子宫区域为白色，其余区域为黑色的二值图像；
步骤2.2：以U-net网络结构为基础设计第一神经网络，对输入图像进行训练，将图像中子宫区域进行精准分割，并通过反复实验和训练得到网络模型W1；得到子宫区域的分割结果I1。
5.根据权利要求4所述的子宫内膜肿瘤分割的分割方法，其特征在于，在步骤3中，包括以下步骤：
步骤3.1：将第一网络模型训练使用的mask与第一网络模型的输入图像进行叠加，得到子宫区域为原始灰度，其余区域为黑色的图像，制作子宫内膜肿瘤的mask，将操作得到的图像作为第二网络模型的训练集；
步骤3.2：以U-net网络结构以为基础设计第二个神经网络，将子宫区域灰度图像输入第二个网络模型中进行训练，对子宫区域灰度图像中的肿瘤进行精准分割，并通过反复实验和训练得到网络模型W2；得到最终的肿瘤的分割结果I2。
CN202110006785.3A 2021-01-05 2021-01-05 一种用于子宫内膜肿瘤分割的网络模型及分割方法 Withdrawn CN112617799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110006785.3A CN112617799A (zh) 2021-01-05 2021-01-05 一种用于子宫内膜肿瘤分割的网络模型及分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110006785.3A CN112617799A (zh) 2021-01-05 2021-01-05 一种用于子宫内膜肿瘤分割的网络模型及分割方法

Publications (1)

Publication Number Publication Date
CN112617799A true CN112617799A (zh) 2021-04-09

Family

ID=75291388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110006785.3A Withdrawn CN112617799A (zh) 2021-01-05 2021-01-05 一种用于子宫内膜肿瘤分割的网络模型及分割方法

Country Status (1)

Country Link
CN (1) CN112617799A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113520317A (zh) * 2021-07-05 2021-10-22 汤姆飞思（香港）有限公司 基于oct的子宫内膜检测分析方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113520317A (zh) * 2021-07-05 2021-10-22 汤姆飞思（香港）有限公司 基于oct的子宫内膜检测分析方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11562491B2 (en) Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network
CN108053417B (zh) 一种基于混合粗分割特征的3D U-Net网络的肺分割装置
CN110930416B (zh) 一种基于u型网络的mri图像***分割方法
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN112270660B (zh) 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
CN108596887B (zh) 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法
US9262822B2 (en) Malignant mass detection and classification in radiographic images
CN109840913B (zh) 一种乳腺x线图像中肿块分割的方法和***
CN111401480A (zh) 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法
CN110188792A (zh) ***mri三维图像的图像特征获取方法
CN111784701B (zh) 结合边界特征增强和多尺度信息的超声图像分割方法及***
CN110008992B (zh) 一种用于***癌辅助诊断的深度学习方法
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN109919254B (zh) 乳腺密度分类方法、***、可读存储介质和计算机设备
CN111784704B (zh) Mri髋关节炎症分割与分类自动定量分级序贯方法
Bhairannawar Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization
CN103544695B (zh) 一种高效的基于博弈框架的医学图像分割方法
CN106780491B (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
Pei et al. Segmentation of the breast region in mammograms using marker-controlled watershed transform
CN113706486A (zh) 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法
CN109919216B (zh) 一种用于计算机辅助诊断***癌的对抗学习方法
CN114581474A (zh) 一种基于***ct影像的临床靶区自动勾画方法
CN112617799A (zh) 一种用于子宫内膜肿瘤分割的网络模型及分割方法
CN104331864B (zh) 基于非下采样轮廓波和视觉显著模型的乳腺影像处理
CN117876690A (zh) 一种基于异构UNet的超声影像多组织分割方法和***

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210409