CN113034528B - 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 - Google Patents
基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 Download PDFInfo
- Publication number
- CN113034528B CN113034528B CN202110356464.6A CN202110356464A CN113034528B CN 113034528 B CN113034528 B CN 113034528B CN 202110356464 A CN202110356464 A CN 202110356464A CN 113034528 B CN113034528 B CN 113034528B
- Authority
- CN
- China
- Prior art keywords
- scaling
- neural network
- network model
- preset
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000000920 organ at risk Anatomy 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 103
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 238000003709 image segmentation Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 17
- 238000003066 decision tree Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 3
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06T7/13—Edge detection
-
- 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
- G06T3/403—Edge-driven scaling; Edge-based scaling
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。其中,该方法包括:获取图像中目标对象的勾画轮廓;通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸与大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征;根据差值特征建立针对预设尺寸的第一神经网络模型;根据第一神经网络模型测试勾画轮廓是否准确。本发明解决了相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低并且难以快速评估勾画质量,导致图形勾画的结果需要人为鉴定的技术问题。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。
背景技术
从医学图像(例如CT或MRI图像)中识别器官或病变区域的图像分割是医学图像分析中最具挑战性的任务之一,该任务是捕捉这些器官的形状和体积的关键信息。许多研究人员通过应用现有技术提出了各种自动分割***。较早的***建立在传统方法的基础上,例如边缘检测滤波器和数学方法。
通过提取手工特征的机器学习方法在很长一段时间内已成为一种占主导地位的技术。设计和提取这些功能一直是开发此类***的主要考虑因素,这些方法的复杂性已被视为对其部署的重大限制。近几年,由于硬件的改进,深度学习方法应运而生,并开始展示其在图像处理任务中的强大功能。深度学习方法强大性能促使科研人员将它们作为图像分割的主要选择,尤其是医学图像分割。尤其是在过去的几年中,基于深度学习技术的图像分割受到了广泛的关注,并强调了对其进行全监督的必要性。
许多文献指出深度学习对医学图像的训练是不稳定的,而且大部分实验需要大量的数据做支撑。当前的图像分割算法对具有模糊边界的目标区域的分割效果较差,缺乏较好的泛化性能。相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低并且难以快速评估勾画质量,导致图形勾画的结果需要人为鉴定,在临床中,医生很难相信不稳定且缺乏解释的模型结果,难以评估模型输出的自动分割结果的质量,并且不同经验的医生勾画标准难以统一,不同经验年限的医生勾画质量参差不齐,缺乏统一标准。
现有技术主要研究目标区域的自动分割,边界模糊的目标分割研究也颇多,但其对边界模糊的目标分割效果仍然较差,模型也缺乏可解释性。现有研究缺乏对不易分割的目标的自动分割结果进行有效评估,其自动分割结果很难应用于临床中。没有分析靶区或危及器官边界的影像组学特征变化,没有针对深度学习无法很好分割的目标区域,进行边界特征变化分析。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法,以至少解决相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低并且难以快速评估勾画质量,导致图形勾画的结果需要人为鉴定的技术问题。
根据本发明实施例的一个方面,提供了一种图像勾画轮廓的测试方法,包括:获取图像中目标对象的勾画轮廓;通过不同的缩放尺寸对所述勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定所述预设缩放尺寸的差值特征;根据所述差值特征建立针对所述预设尺寸的第一神经网络模型;根据所述第一神经网络模型测试所述勾画轮廓是否准确。
可选的,通过不同的缩放尺寸对所述勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定所述预设缩放尺寸的差值特征包括:通过不同的缩放尺寸对所述勾画轮廓分别扩大和缩小,得到多个缩放轮廓;提取原始轮廓,以及多个缩放轮廓的影像组学特征;对与预设缩放尺寸相邻的两个缩放尺寸的勾画轮廓的对应的影像组学特征,分别与所述预设缩放尺寸的影像组学特征求差值,作为所述预设缩放尺寸的差值特征。
可选的,根据所述差值特征建立针对所述预设尺寸的第一神经网络模型包括:通过第二神经网络模型对所述差值特征进行筛选,得到对所述第二神经网络模型具有分类能力的重要特征;通过所述重要特征建立针对所述预设缩放尺寸的第一神经网络模型。
可选的,通过第二神经网络模型对所述差值特征进行筛选,得到对所述第二神经网络模型具有分类能力的重要特征包括:通过所述差值特征训练得到第二神经网络模型;通过所述第二神经网络模型的特征重要性对所述差值特征进行排序;选取所述排序中具有分类能力的范围的差值特征作为所述重要特征。
可选的,通过所述重要特征建立针对所述预设缩放尺寸的第一神经网络模型之后,还包括:根据所述图像确定所述第一神经网络模型的测试集;通过所述测试集计算所述第一神经网络模型的均方误差;在所述均方误差在误差允许范围内的情况下,确定所述第一神经网络模型训练完成。
可选的,还包括:在所述均方误差超出误差允许范围的情况下,重新选取所述重要特征,建立新的第一神经网络模型。
可选的,根据所述第一神经网络模型测试所述勾画轮廓是否准确包括:将所述预设缩放尺寸的差值特征输入所述第一神经网络模型,由所述第一神经网络模型输出所述预设缩放尺寸对应的差异值;在所述差异值的落在预设的差异容许范围内,确定所述图像的勾画轮廓准确。
可选的,还包括:在所述差异值落在预设的差异容许范围之外,确定所述图像的勾画轮廓不准确;将所述图像的勾画轮廓以及不准确的测试结果进行发送。
根据本发明实施例的另一方面,还提供了一种基于影像组学的靶区及危及器官勾画轮廓准确性检验装置,包括:获取模块,用于获取图像中目标对象的勾画轮廓;提取模块,用于通过不同的缩放尺寸对所述勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定所述预设缩放尺寸的差值特征;建立模块,用于根据所述差值特征建立针对所述预设尺寸的第一神经网络模型;测试模块,用于根据所述第一神经网络模型测试所述勾画轮廓是否准确。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。
根据本发明实施例的另一方面,还提供了一种计算机存储介质,所述计算机存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机存储介质所在设备执行上述中任意一项所述的基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。
在本发明实施例中,采用获取图像中目标对象的勾画轮廓;通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征;根据差值特征建立针对预设尺寸的第一神经网络模型;根据第一神经网络模型测试勾画轮廓是否准确的方式,达到了通过第一神经网络模型对勾画轮廓是否准确进行有效测试的目的,从而实现了提高了勾画轮廓的有效性,使得通过测试的勾画轮廓具有更高的准确性和可靠性的技术效果,进而解决了相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低并且难以快速评估勾画质量,导致图形勾画的结果需要人为鉴定的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法的流程图;
图2是根据本发明实施方式的图像轮廓验证方法的流程图;
图3是根据本发明实施例的一种基于影像组学的靶区及危及器官勾画轮廓准确性检验装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取图像中目标对象的勾画轮廓;
步骤S104,通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征;
步骤S106,根据差值特征建立针对预设尺寸的第一神经网络模型;
步骤S108,根据第一神经网络模型测试勾画轮廓是否准确。
通过上述步骤,采用获取图像中目标对象的勾画轮廓;通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征;根据差值特征建立针对预设尺寸的第一神经网络模型;根据第一神经网络模型测试勾画轮廓是否准确的方式,达到了通过第一神经网络模型对勾画轮廓是否准确进行有效测试的目的,从而实现了提高了勾画轮廓的有效性,使得通过测试的勾画轮廓具有更高的准确性和可靠性的技术效果,进而解决了相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低并且难以快速评估勾画质量,导致图形勾画的结果需要人为鉴定的技术问题。
上述基于影像组学的靶区及危及器官勾画轮廓准确性检验方法,也即是图像勾画轮廓的测试方法,上述图像可以为医学影像,例如CT图像(电子计算机断层扫描图像,Computer Tomography)。上述目标对象可以为肿瘤靶区GTV(Gross Tumor Volume),危及器官OAR(Organ At Risk)、ROI(感兴趣的目标区域Region of Interest)。上述目标对象的勾画轮廓可以为通过现有技术中的手工提取特征的方式或者深度学习的方式对上述肿瘤靶区GTV进行识别,确定该肿瘤靶区GTV的轮廓,或者上述目标对象的勾画轮廓可以为通过现有技术中的手工提取特征的方式或者深度学习的方式对上述危及器官OAR进行识别,确定该危及器官OAR的轮廓。
通过不同的缩放尺寸对勾画轮廓进行缩放,可以确定多个缩放尺寸,例如,1mm,2mm和3mm,然后根据多个缩放尺寸,分别对该勾画轮廓进行缩小和扩大,也即是对上述勾画轮廓扩大多个缩放尺寸,例如,分别扩大1mm,2mm和3mm,对上述勾画轮廓缩小多个缩放尺寸,例如,分别缩小1mm,2mm和3mm。具体的在缩放尺寸的数量为N个的情况下,分别对勾画轮廓扩大N个缩放尺寸,对勾画轮廓缩小N个缩放尺寸。
通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征。勾画轮廓的不同尺寸,需要分别进行分析,上述预设缩放尺寸既是需要进行测试的缩放尺寸。根据与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,分别与预设缩放尺寸的勾画轮廓求差值,得出该预设缩放尺寸的差值特征。通过对目标对象的勾画轮廓进行缩放,以确定该勾画轮廓的差值特征,进而作为预测模型的输入的特征,提高了预测的准确率。
根据差值特征建立针对预设尺寸的第一神经网络模型,上述第一神经网络模型可以为决策树第一神经网络模型,通过该第一神经网络模型可以将上述差值特征输入,从而输出该预设缩放尺寸的勾画轮廓的预测值,进而根据该预测值,确定该勾画轮廓的质量,进而确定该勾画轮廓是否有效准确。
从而达到了通过第一神经网络模型对勾画轮廓是否准确进行有效测试的目的,从而实现了提高了勾画轮廓的有效性,使得通过测试的勾画轮廓具有更高的准确性和可靠性的技术效果,进而解决了相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低,导致图形勾画的结果需要人为鉴定的技术问题。
可选的,通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征包括:通过不同的缩放尺寸对勾画轮廓分别扩大和缩小,得到多个缩放轮廓;提取原始轮廓,以及多个缩放轮廓的影像组学特征;对与预设缩放尺寸相邻的两个缩放尺寸的勾画轮廓的对应的影像组学特征,分别与预设缩放尺寸的影像组学特征求差值,作为预设缩放尺寸的差值特征。
在对勾画轮廓进行缩放时,先确定多个不同的缩放尺寸,例如,1mm,2mm和3mm,然后根据多个缩放尺寸,分别对勾画轮廓进行缩小和扩大,得到多个缩放轮廓。使用pyradiomics工具包提取图像原始轮廓,多个缩放轮廓的影像组学特征。具体的,在对勾画轮廓进行缩放时,是通过对图像进行缩放实现的。也可以是直接对勾画轮廓进行缩放,本实施例中,是通过对图像的缩放,实现对勾画轮廓的缩放,方便通过现有的缩放工具进行实现,避免对勾画轮廓进行缩放的数据计算。
对与预设缩放尺寸相邻的两个缩放尺寸的勾画轮廓的对应的影像组学特征,分别与预设缩放尺寸的影像组学特征求差值,作为预设缩放尺寸的差值特征。例如,预设缩放尺寸为X,其大小相邻尺寸图像可以为X-1和X+1,通过X-1和X+1分别对应的影像组学特征分别于尺寸X的影像组学特征求差值得到特征差异,将获得特征差异作为尺寸X的输入后续模型的特征。
可选的,根据差值特征建立针对预设尺寸的第一神经网络模型包括:通过第二神经网络模型对差值特征进行筛选,得到对第二神经网络模型具有分类能力的重要特征;通过重要特征建立针对预设缩放尺寸的第一神经网络模型。
具体的,首先将全部特征训练一个第二神经网络模型,上述第二神经网络模型可以为机器学习模型,可以包括神经网络,深度学习网络,由多组训练数据训练而成,每组训练数据包括差值特征以及差值特征的重要性,然后按第二神经网络模型给出的特征重要性排序,挑选出对该决策树有分类能力的重要特征。剔除对预测影响较小的特征,避免了冗余的计算,提高了数据计算速度,进而提高了勾画轮廓预测的效率。在本实施例中,上述第二神经网络模型可以为决策树模型。
上述第二神经网络模型和第一神经网络模型可以为同一个神经网络模型,也可以是不同的神经网络模型,第一神经网络模型用于对勾画轮廓进行测试,第二神经网络模型用于筛选差值特征中的重要特征。
可选的,通过第二神经网络模型对差值特征进行筛选,得到对第二神经网络模型具有分类能力的重要特征包括:通过差值特征训练得到第二神经网络模型;通过第二神经网络模型的特征重要性对差值特征进行排序;选取排序中具有分类能力的范围的差值特征作为重要特征。
通过第二神经网络模型的特征重要性对差值特征进行排序,选取排序中具有分类能力的范围的差值特征作为重要特征,从而有效对差值特征中的重要特征进行有效准确筛选,进一步提高了勾画轮廓预测的准确性。
可选的,通过重要特征建立针对预设缩放尺寸的第一神经网络模型之后,还包括:根据图像确定第一神经网络模型的测试集;通过测试集计算第一神经网络模型的均方误差;在均方误差在误差允许范围内的情况下,确定第一神经网络模型训练完成。
在根据重要特征建立第一神经网络模型之后,从差值特征中选取测试集对第一神经网络模型的准确性进行检测,具体通过测试集计算第一神经网络模型的均方误差;在均方误差在误差允许范围内的情况下,确定第一神经网络模型训练完成。均方误差MSE是指参数估计值与参数真值之差平方的期望值,MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述试验数据具有更好的精度。
上述测试集可以是从多个不同的勾画轮廓中随机选择的数据,以建立测试集,对第一神经网络模型的准确率进行测试,进而保证了第一神经网络模型的测试准确率,提高了勾画轮廓的测试准确率。
可选的,还包括:在均方误差超出误差允许范围的情况下,重新选取重要特征,建立新的第一神经网络模型。
在均方误差超出误差允许范围的情况下,说明第一神经网络模型不够准确,可以重新选取重要特征继续对第一神经网络模型进行修正训练,也可以直接根据重新选取的重要特征之间建立新的第一神经网络模型,具体可以根据实际情况的需求进行确定。从而保证了勾画轮廓测试的准确性。
可选的,根据第一神经网络模型测试勾画轮廓是否准确包括:将预设缩放尺寸的差值特征输入第一神经网络模型,由第一神经网络模型输出预设缩放尺寸对应的差异值;在差异值的落在预设的差异容许范围内,确定图像的勾画轮廓准确。
在第一神经网络模型精度满足要求的情况下,将预设缩放尺寸的差值特征输入第一神经网络模型,由第一神经网络模型输出预设缩放尺寸对应的差异值;在差异值的落在预设的差异容许范围内,确定图像的勾画轮廓准确。例如,差异容许范围可以为-0.02~0.02,也即是差异值的绝对值<0.02,确定勾画轮廓的质量较好。具体的在差异值大于零时,说明勾画轮廓相对于标准轮廓更大,差异值小于零时,说明勾画轮廓相对于标准轮廓更小。
可选的,还包括:在差异值落在预设的差异容许范围之外,确定图像的勾画轮廓不准确;将图像的勾画轮廓以及不准确的测试结果进行发送。
在差异值落在预设的差异容许范围之外,确定图像的勾画轮廓不准确,也即是勾画轮廓质量较差,在勾画轮廓质量较差时,将该勾画轮廓和测试结果为不准确的信息发送给用户交互装置,例如,客户端,显示屏等。以提醒用户,供用户进行确认。还可以对该勾画轮廓重新进行确定,或者进行修正,以使该勾画轮廓满足测试要求,保证该勾画轮廓的质量。
需要说明的是,本申请实施例还提供了一种可选的实施方式,下面对该实施方式进行详细说明。
本实施方式针对边界模糊的目标分割质量,利用机器学习相关的可解释性方法进行有效评估。提出了一种评估方法,得出分割结果的质量指标,筛选质量较差的分割结果,在临床中提供给医生进一步判断。
本实施方式分析鼻咽癌(不限于鼻咽癌)患者CT图像(不限于CT)目标区域的边界特征,尤其是边缘模糊的影像组学特征的变化趋势,并探讨这种方法作为模型评估低对比度边界的GTV和危及器官(适用于其他靶区器官)的自动分割或手动勾画质量。
图2是根据本发明实施方式的图像轮廓验证方法的流程图,如图2所示,本实施方式的具体步骤如下:
1.预处理:本文将CT图像重采样,使得他们具有相同的spacing间距;
2.将鼻咽癌患者CT图像中的GTV(肿瘤靶区Gross Tumor Volume)或OAR(危及器官Organ At Risk)轮廓分别扩大和缩小不同尺寸:1mm,2mm和3mm。
3.使用pyradiomics工具包提取原始图像,扩大图像和缩小图像的影像组学特征。
4.计算尺寸X的相邻尺寸图像(X-1和X+1)对应的特征与尺寸X的差异,将获得特征差异作为尺寸X的输入后续模型的特征。
5.使用决策树算法筛选重要特征。首先将全部特征训练一个决策树模型也即是上述第二神经网络模型,然后按决策树模型给出的特征重要性排序,挑选出对该决策树有分类能力的重要特征。
6.使用选择的重要特征,建立针对尺寸的决策树回归模型(经过训练后的模型),也即是上述第一神经网络模型,以缩放尺寸为决策树回归预测的目标变量,使用最小方差作为***规则,生成一个决策树回归模型。
7.利用测试集计算训练后模型的均方误差。
MSE:Mean Squared Error均方误差,是指参数估计值与参数真值之差平方的期望值,MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述试验数据具有更好的精度。
式中,N为参数的总数量,可以为上述测试集的测试数据的数量,observedt为第t个数据的参数真值,predictedt为第t个数据的参数估计值。
8.独立的测试数据集评估所建立模型的性能,使用以上建立的模型预测测试集的评估质量指标,如果指标与正常偏差太多的话,说明勾画质量较差,可将其分割结果进一步交由专业医生判断。
上述评价标准:设预测出来的值为A,如果A的绝对值<0.02,则代表其勾画质量较好;
A大于0时,如果A越大则说明勾画区域相对于标准更大;
A小于0时,如果A越小则说明勾画区域相对于标准更小。
本实施方式的关键点在于边界分析方法及思路用于评估勾画质量,以及边界目标分割质量评估的流程。与现有深度学习分割技术相比,本发明更加通用,能应用于多病种的分割质量评估。本实施方式旨在真正应用于临床,提出新的基于影像组学的快速准确的勾画质量评估流程。可快速判断勾画的质量,筛选出质量较差的勾画供医生进一步核验。建立的模型在测试集上的均方差为0.02。对于误差较大的勾画,经由专业医生判断可知,确为质量较差的勾画,由此证明建立的模型的可行性。
图3是根据本发明实施例的一种基于影像组学的靶区及危及器官勾画轮廓准确性检验装置的示意图,如图3所示,根据本发明实施例的另一方面,还提供了一种图像勾画轮廓的测试装置,包括:获取模块32,提取模块34,建立模块36和测试模块38,下面对该装置进行详细说明。
获取模块32,用于获取图像中目标对象的勾画轮廓;提取模块34,与上述获取模块32相连,用于通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征;建立模块36,与上述提取模块34相连,用于根据差值特征建立针对预设尺寸的第一神经网络模型;测试模块38,与上述建立模块36相连,用于根据第一神经网络模型测试勾画轮廓是否准确。
通过上述装置,采用获取图像中目标对象的勾画轮廓;通过不同的缩放尺寸对勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定预设缩放尺寸的差值特征;根据差值特征建立针对预设尺寸的第一神经网络模型;根据第一神经网络模型测试勾画轮廓是否准确的方式,达到了通过第一神经网络模型对勾画轮廓是否准确进行有效测试的目的,从而实现了提高了勾画轮廓的有效性,使得通过测试的勾画轮廓具有更高的准确性和可靠性的技术效果,进而解决了相关技术中的图像分割算法对图像的勾画效果较差,准确度和稳定性低并且难以快速评估勾画质量,导致图形勾画的结果需要人为鉴定的技术问题。
上述基于影像组学的靶区及危及器官勾画轮廓准确性检验装置,也即是图像勾画轮廓装置。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。
根据本发明实施例的另一方面,还提供了一种计算机存储介质,计算机存储介质包括存储的程序,其中,在程序运行时控制计算机存储介质所在设备执行上述中任意一项的基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于影像组学的靶区及危及器官勾画轮廓准确性检验方法,其特征在于,包括:
获取图像中目标对象的勾画轮廓;
通过不同的缩放尺寸对所述勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定所述预设缩放尺寸的差值特征;
根据所述差值特征建立针对所述预设缩放尺寸的第一神经网络模型;
根据所述第一神经网络模型测试所述勾画轮廓是否准确;
其中,根据所述第一神经网络模型测试所述勾画轮廓是否准确包括:
将所述预设缩放尺寸的差值特征输入所述第一神经网络模型,由所述第一神经网络模型输出所述预设缩放尺寸对应的差异值;
在所述差异值的落在预设的差异容许范围内,确定所述图像的勾画轮廓准确。
2.根据权利要求1所述的方法,其特征在于,通过不同的缩放尺寸对所述勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定所述预设缩放尺寸的差值特征包括:
通过不同的缩放尺寸对所述勾画轮廓分别扩大和缩小,得到多个缩放轮廓;
提取原始轮廓,以及多个缩放轮廓的影像组学特征;
对与预设缩放尺寸相邻的两个缩放尺寸的勾画轮廓的对应的影像组学特征,分别与所述预设缩放尺寸的影像组学特征求差值,作为所述预设缩放尺寸的差值特征。
3.根据权利要求2所述的方法,其特征在于,根据所述差值特征建立针对所述预设缩放尺寸的第一神经网络模型包括:
通过第二神经网络模型对所述差值特征进行筛选,得到对所述第二神经网络模型具有分类能力的重要特征;
通过所述重要特征建立针对所述预设缩放尺寸的第一神经网络模型。
4.根据权利要求3所述的方法,其特征在于,通过第二神经网络模型对所述差值特征进行筛选,得到对所述第二神经网络模型具有分类能力的重要特征包括:
通过所述差值特征训练得到第二神经网络模型;
通过所述第二神经网络模型的特征重要性对所述差值特征进行排序;
选取所述排序中具有分类能力的范围的差值特征作为所述重要特征。
5.根据权利要求3所述的方法,其特征在于,通过所述重要特征建立针对所述预设缩放尺寸的第一神经网络模型之后,还包括:
根据所述图像确定所述第一神经网络模型的测试集;
通过所述测试集计算所述第一神经网络模型的均方误差;
在所述均方误差在误差允许范围内的情况下,确定所述第一神经网络模型训练完成。
6.根据权利要求5所述的方法,其特征在于,还包括:
在所述均方误差超出误差允许范围的情况下,重新选取所述重要特征,建立新的第一神经网络模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
在所述差异值落在预设的差异容许范围之外,确定所述图像的勾画轮廓不准确;
将所述图像的勾画轮廓以及不准确的测试结果进行发送。
8.一种基于影像组学的靶区及危及器官勾画轮廓准确性检验装置,其特征在于,包括:
获取模块,用于获取图像中目标对象的勾画轮廓;
提取模块,用于通过不同的缩放尺寸对所述勾画轮廓进行缩放,并根据预设缩放尺寸对应的缩放轮廓,以及与所述预设缩放尺寸大小相邻的不同缩放尺寸的缩放轮廓,确定所述预设缩放尺寸的差值特征;
建立模块,用于根据所述差值特征建立针对所述预设缩放尺寸的第一神经网络模型;
测试模块,用于根据所述第一神经网络模型测试所述勾画轮廓是否准确;
其中,根据所述第一神经网络模型测试所述勾画轮廓是否准确包括:
将所述预设缩放尺寸的差值特征输入所述第一神经网络模型,由所述第一神经网络模型输出所述预设缩放尺寸对应的差异值;
在所述差异值的落在预设的差异容许范围内,确定所述图像的勾画轮廓准确。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的基于影像组学的靶区及危及器官勾画轮廓准确性检验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356464.6A CN113034528B (zh) | 2021-04-01 | 2021-04-01 | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356464.6A CN113034528B (zh) | 2021-04-01 | 2021-04-01 | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034528A CN113034528A (zh) | 2021-06-25 |
CN113034528B true CN113034528B (zh) | 2023-07-14 |
Family
ID=76454438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110356464.6A Active CN113034528B (zh) | 2021-04-01 | 2021-04-01 | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034528B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536575A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像***以及存储介质 |
CN113488146B (zh) * | 2021-07-29 | 2022-04-01 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
CN115511835B (zh) * | 2022-09-28 | 2023-07-25 | 西安航空学院 | 一种图像处理测试平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767421A (zh) * | 2018-12-03 | 2019-05-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种用于区域生长肺肿瘤放疗靶区勾画半自动分割方法 |
CN110866915A (zh) * | 2019-11-22 | 2020-03-06 | 郑州智利信信息技术有限公司 | 基于度量学习的圆形砚台质量检测方法 |
CN111986254A (zh) * | 2020-08-21 | 2020-11-24 | 四川大学华西医院 | 一种靶区轮廓的分析方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140270489A1 (en) * | 2013-03-12 | 2014-09-18 | Microsoft Corporation | Learned mid-level representation for contour and object detection |
-
2021
- 2021-04-01 CN CN202110356464.6A patent/CN113034528B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767421A (zh) * | 2018-12-03 | 2019-05-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种用于区域生长肺肿瘤放疗靶区勾画半自动分割方法 |
CN110866915A (zh) * | 2019-11-22 | 2020-03-06 | 郑州智利信信息技术有限公司 | 基于度量学习的圆形砚台质量检测方法 |
CN111986254A (zh) * | 2020-08-21 | 2020-11-24 | 四川大学华西医院 | 一种靶区轮廓的分析方法、装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
基于U-net卷积神经网络的***临床靶区和危及器官自动勾画的研究;秦楠楠;薛旭东;吴爱林;闫冰;朱雅迪;张朋;吴爱东;;中国医学物理学杂志(04);全文 * |
基于深度卷积神经网络的***临床靶区及部分危及器官自动勾画方法研究;秦楠楠;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第02期);全文 * |
特征区域再聚焦提升全卷积神经网络勾画较小靶区准确度;蒋家良;罗勇;何奕松;余行;傅玉川;;中国医学物理学杂志(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113034528A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034528B (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN110110617B (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN111815599B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CA2908717C (en) | Multi-scale active contour segmentation | |
Krinidis et al. | Color texture segmentation based on the modal energy of deformable surfaces | |
CN111507381A (zh) | 图像识别方法及相关装置、设备 | |
Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
JPH10171910A (ja) | 診断支援装置及び方法 | |
KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
Fenster et al. | Sectored snakes: Evaluating learned-energy segmentations | |
WO2014165972A1 (en) | Concurrent active contour segmentation | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
US11783476B2 (en) | System and method for analyzing three-dimensional image data | |
CN112990367A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
US20220319002A1 (en) | Tumor cell isolines | |
Niemeijer et al. | Automatic Detection of the Optic Disc, Fovea and Vacular Arch in Digital Color Photographs of the Retina. | |
KN et al. | Comparison of 3-segmentation techniques for intraventricular and intracerebral hemorrhages in unenhanced computed tomography scans | |
KR20120007862A (ko) | Mr 영상을 이용한 자동 간 분할 방법 | |
WO2017048744A1 (en) | Automated segmentation of organs, such as kidneys, from magnetic resonance images | |
Les et al. | A Flood-Fill-Based Technique for Boundary Closure of Kidney Contours in CT Images | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理***及方法 |
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 |