CN113592890B - 一种ct图像肝脏分割方法及装置 - Google Patents
一种ct图像肝脏分割方法及装置 Download PDFInfo
- Publication number
- CN113592890B CN113592890B CN202110589824.7A CN202110589824A CN113592890B CN 113592890 B CN113592890 B CN 113592890B CN 202110589824 A CN202110589824 A CN 202110589824A CN 113592890 B CN113592890 B CN 113592890B
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- probability
- pixel point
- function
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 192
- 230000011218 segmentation Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013139 quantization Methods 0.000 claims abstract description 28
- 230000005284 excitation Effects 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 65
- 210000000056 organ Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- QTCANKDTWWSCMR-UHFFFAOYSA-N costic aldehyde Natural products C1CCC(=C)C2CC(C(=C)C=O)CCC21C QTCANKDTWWSCMR-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- ISTFUJWTQAMRGA-UHFFFAOYSA-N iso-beta-costal Natural products C1C(C(=C)C=O)CCC2(C)CCCC(C)=C21 ISTFUJWTQAMRGA-UHFFFAOYSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种CT图像肝脏分割方法及装置。所述方法包括：建立肝脏识别模型的目标函数，所述模型的目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离；将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率；对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。本发明将像素点到肝脏表面的代数距离作为目标函数，在进行肝脏分割时，考虑了肝脏器官的形状、像素点到肝脏表面的距离、位置关系等多种因素，使分割的结果更加精细，提高了肝脏分割精度。
Description
技术领域
本发明属于医学影像技术领域，具体涉及一种CT图像肝脏分割方法及装置。
背景技术
肝脏在CT图像中的分割是肝脏疾病诊断与进一步手术或放射治疗的基础。根据CT机采样层厚和层间距的不同，一个CT序列通常包含几百至上千张的影像，逐层对于目标器官的勾画标注对于影像科医生来说是一个极其费时费力的工作。而且，由影像科医生手动勾画的目标包含一定的主观性，非常依赖于医生的经验，这就降低了实验的可重复性。然而计算机CAD(Computer Aided Diagnosis)辅助的器官标注并不能完全替代医生的工作，在实际病例中，由于多器官间互相遮挡及相关病变的存在，会导致算法在某些情况下难以识别准确。
现有的肝脏辅助标注技术多基于Atlas图像匹配技术。这种方法首先构建了由专家进行标注的Atlas标准数据，对于每一组目标影像，经过刚性的整体变换与非刚性的逐点变换后与Atlas配准对齐，从而得出各器官在目标影像上的位置。这种方法的准确性完全依赖于配准技术，对于每一组影像分别进行配准将耗费较长的时间，而且不同病人的肝脏情况不同，会对配准效果造成影响，难以在不同情况下产生准确的标注结果。另外，现有肝脏分割技术一般是将基于深度学***滑性的问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供一种CT图像肝脏分割方法及装置。
为了实现上述目的，本发明采用以下技术方案。
第一方面，本发明提供一种CT图像肝脏分割方法，包括：
建立肝脏识别模型的目标函数，所述目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离，当像素点分别位于肝脏内、肝脏外、肝脏表面时，所述距离分别小于0、大于0、等于0；
将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率；
对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。
进一步地，所述方法还包括对CT图像进行预处理的步骤：根据肝脏的概略位置，在CT图像中划分出包含肝脏的区域，并对所述区域进行缩放和标准化处理。
进一步地，所述目标函数为：
式中，R(i)为第i个像素点Xi到肝脏表面S的代数距离，S+表示肝脏外部区域，S-表示肝脏内部区域，Rmin(i)为Xi到肝脏表面S的最短距离，i＝1,2,…,N，N为像素点数量。
更进一步地，所述激励函数为：
式中，R为目标函数输出的代数距离，P(R)为像素点属于肝脏的概率值，k为控制拟合程度的常数。
更进一步地，对所述识别模型进行训练的损失函数为：
L＝LSeg+λ(Lproduct+L1)
式中，L为总损失函数，LSeg为Dice损失，Lproduct为回归损失，L1为1范数损失，λ为损失函数分量的平衡常数，pi为第i个像素点的概率量化值，qi是金标准图像上第i个像素点的概率量化值，金标准图像上包含由资深医生标注的肝脏数据。
进一步地，所述识别模型为基于卷积神经网络CNN的U-Net网络结构。
第二方面，本发明提供一种CT图像肝脏分割装置，包括：
目标函数建立模块，用于建立肝脏识别模型的目标函数，所述目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离，当像素点分别位于肝脏内、肝脏外、肝脏表面时，所述距离分别小于0、大于0、等于0；
概率计算模块，用于将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率；
肝脏分割模块，用于对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。
进一步地，所述装置还包括预处理模块，用于根据肝脏的概略位置，在CT图像中划分出包含肝脏的区域，并对所述区域进行缩放和标准化处理。
进一步地，所述目标函数为：
式中，R(i)为第i个像素点Xi到肝脏表面S的代数距离，S+表示肝脏外部区域，S-表示肝脏内部区域，Rmin(i)为Xi到肝脏表面S的最短距离，i＝1,2,…,N，N为像素点数量。
更进一步地，所述激励函数为：
式中，R为目标函数输出的代数距离，P(R)为像素点属于肝脏的概率值，k为控制拟合程度的常数。
更进一步地，对所述识别模型进行训练的损失函数为：
L＝LSeg+λ(Lproduct+L1)
式中，L为总损失函数，LSeg为Dice损失，Lproduct为回归损失，L1为1范数损失，λ为损失函数分量的平衡常数，pi为第i个像素点的概率量化值，qi是金标准图像上第i个像素点的概率量化值，金标准图像上包含由资深医生标注的肝脏数据。
与现有技术相比，本发明具有以下有益效果。
本发明通过建立像素点到肝脏表面的代数距离的目标函数，根据目标函数大小计算像素点属于肝脏的概率，对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。本发明将像素点到肝脏表面的代数距离作为目标函数，在进行肝脏分割时，考虑了肝脏器官的形状、像素点到肝脏表面的距离、位置关系(肝脏内、外、表面)等多种因素，使分割的结果更加精细，克服了现有技术存在的因将深度学***滑性的问题。
附图说明
图1为本发明的实施例一种CT图像肝脏分割方法的流程图。
图2为U-Net网络结构示意图。
图3为本发明的实施例一种CT图像肝脏分割装置的方框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
图1为本发明实施例一种CT图像肝脏分割方法的流程图，包括以下步骤：
步骤101，建立肝脏识别模型的目标函数，所述目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离，当像素点分别位于肝脏内、肝脏外、肝脏表面时，所述距离分别小于0、大于0、等于0；
步骤102，将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率；
步骤103，对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。
本实施例的技术原理是：先构建一个肝脏识别模型，将CT图像输入到训练好的肝脏识别模型，便可从CT图像中识别出肝脏区域，提取肝脏区域的像素点就可以将肝脏从CT图像中分割出来。
本实施例中，步骤101主要用于建立目标函数。所述目标函数为图像上的像素点到肝脏表面的代数距离，俗称代数距离图。所述代数距离是指距离有正、负之分，用来表示像素点与肝脏表面的位置关系，在本实施例中，定义肝脏内部的像素点与肝脏表面的距离为负，肝脏外部的像素点与肝脏表面的距离为正，肝脏表面上的像素点与肝脏表面的距离为0。由于肝脏表面上有很多点，一个像素点到肝脏表面的距离也就有很多个不同的值，本实施例将最小的距离值作为距离的绝对值。代数距离图使图像上像素点又增加了两个维度的信息——与肝脏表面的最小距离和与肝脏的位置关系，这就为肝脏的精细分割提供了便利。
本实施例中，步骤102主要用于计算像素点属于肝脏的概率。计算所述概率的目的是为了根据所述概率的大小对进行肝脏分割。很显然，对于肝脏内部的像素点，像素点与肝脏表面的距离越远(越接近肝脏中心)，像素点属于肝脏的可能性越大，即所述概率越大；对于肝脏外面的像素点，像素点与肝脏表面的距离越近，像素点属于肝脏的可能性越大，即所述概率越大。根据目标函数或代数距离图的特性，可以将目标函数的输出输入到一个激励函数获得所述概率值。当然，所述激励函数应该是一个值域为(0,1)的单调减函数，即正距离值越大，输出的概率值越小；负距离的绝对值越大即距离越小，输出的概率值越大。
本实施例中，步骤103主要用于将肝脏从图像中分割出来。在本实施例中，先对激励函数输出的概率值进行二值量化，量化方法是设置一个概率阈值，将超过所述阈值的概率量化为1，没有超过所述阈值的概率量化为0。量化值为1的像素点是属于肝脏的像素点，量化值为0的像素点则是肝脏外面的像素点，因此，只要提取量化值为1的像素点，就可以将肝脏从图像中分割出来。
本实施例通过建立以代数距离为输出的目标函数，使图像上的像素点增加了两个维度的信息(与肝脏表面的最小距离和与肝脏的位置关系)，可以实现肝脏的精细分割，得到平滑的肝脏轮廓，提高了肝脏分割的精度。解决了现有技术中存在的因将深度学***滑性不好的问题。值得说明的是，本实施例给出的肝脏分割方法，并不只限于肝脏，同样适用于其它器官如脾脏等的分割。
作为一可选实施例，所述方法还包括对CT图像进行预处理的步骤：根据肝脏的概略位置，在CT图像中划分出包含肝脏的区域，并对所述区域进行缩放和标准化处理。
本实施例给出了对CT图像进行预处理的一种技术方案。对于一张CT图像，要分割的肝脏只占较小的一部分区域。因此，为了减小计算量、提高分割精度，需要预先指定肝脏的大概位置。具体来说，可以在图像CT值大于-400的区域中寻找最大的联通域，取其包围框内的部分为腹部区域(肝一般在上腹部，大部分位于右季肋区，小部分位于左季肋区)。对于腹部CT自膈顶下开始，移除超出250mm的图像。由于在不同的设备及拍摄参数下，图像的像素间距及层距不同，为了更好地适应不同设备拍摄出的图像，对图像进行标准化处理，统一缩放到像素间距2.0mm、层距5.0mm的大小。另外，在确定图像尺寸时还要考虑识别模型的具体结构，比如，如果采用U-Net结构，需对图像进行3次下采样，所以要求输入图像边长为8(＝23)的倍数，进一步将图像放缩到最近的8的整数倍边长。同时，采用窗宽360，窗位60的腹窗，将图像归一化处理。当然，由于预处理中对图像进行了缩放，在分割肝脏时还需还原图像尺寸。
作为一可选实施例，所述目标函数为：
式中，R(i)为第i个像素点Xi到肝脏表面S的代数距离，S+表示肝脏外部区域，S-表示肝脏内部区域，Rmin(i)为Xi到肝脏表面S的最短距离，i＝1,2,…,N，N为像素点数量。
本实施例给出了目标函数的一种具体表达式。上式中，目标函数的自变量为像素点的序号i，也可以用像素点的位置坐标表示。总之，一个像素点对应一个目标函数值。目标函数的绝对值Rmin(i)是像素点到肝脏表面S的最短距离，其符号由像素点与肝脏的相对位置决定：肝脏内为负，肝脏外为正。当然，肝脏表面的最短距离为0。
作为一可选实施例，所述激励函数为：
式中，R为目标函数输出的代数距离，P(R)为像素点属于肝脏的概率值，k为控制拟合程度的正常数。
本实施例给出了一种具体的激励函数表达式。如前述，激励函数是用来计算像素点属于肝脏的概率值的，且是自变量R的单调减函数。由于上式分母中的eR/k是一个单调增函数，所以1/(1+eR/k)是一个单调减函数，满足单调性要求。k是用来控制拟合程度的正常数，根据经验选取，如可以取k＝1500。根据上式，属于肝脏的像素点的R≤0，概率P(R)的取值范围为[0.5,1)；不属于肝脏的像素点的R>0，概率P(R)的取值范围为(0,0.5)。根据像素点的概率值分布规律，通过设定合适的阈值就可以将肝脏分割出来；而且通过改变所述阈值的大小可调整所提取的肝脏轮廓的位置及光滑程度。
作为一可选实施例，对所述识别模型进行训练的损失函数为：
L＝LSeg+λ(Lproduct+L1)
式中，L为总损失函数，LSeg为Dice损失，Lproduct为回归损失，L1为1范数损失，λ为损失函数分量的平衡常数，pi为第i个像素点的概率量化值，qi是金标准图像上第i个像素点的概率量化值，金标准图像上包含由资深医生标注的肝脏数据。
本实施例给出了识别模型进行训练的损失函数的表达式。上面已给出了总损失函数与各损失函数分量的关系及各损失函数分量的表达式，这里不再对各个表达式一一进行详细说明。金标准图像是事先由资深医生对各器官数据进行过标注的标准图像，相当于有监督学习中的标签数据，损失函数就是对输入CT图像的分割结果相对金标准图像数据的偏差。值得说明的是，各个损失分量中的pi、qi的取值均只有0和1两个值，取1的像素点是肝脏上的点，取0的像素点是肝脏外的点。因此，
或
或
实际上表示输入CT图像上肝脏像素点集合A的像素点数量，可用来表示肝脏的体积；同理，
或
表示金标准图像上肝脏像素点集合B的像素点数量；
表示集合A、B的交集A∩B的像素点数量，可用来表示两个图像上肝脏重合部分的体积；
表示集合(A∪B-A∩B)的像素点数量，可用来表示两个肝脏未重合部分的体积和。
作为一可选实施例，所述识别模型为基于卷积神经网络CNN的U-Net网络结构。
本实施例给出了实现识别模型的一种具体的神经网络结构。U-Net的网络属于基于卷积神经网络CNN，为了便于理解技术方案，在介绍技术方案之前先简单介绍一下有关CNN的知识。CNN是一种具有卷积计算功能且具有深度结构的前馈神经网络，与一般的全连接前馈神经网络不同的是，它的卷积层具有局部连接和权重共享的特性，因此能够大大减小权重参数的数量，从而减小模型的复杂程度和提高运行速度。CNN的这一特性使其在图像处理领域得到了广泛应用。
U-Net的网络结构如图2所示。由图2可知，它是一个U型结构，左侧为压缩路径，右侧为扩展路径。网络经过3次下采样，获取到深层语义特征，再经过3次上采样还成原图大小。采用跨层联接，融合同分辨率下的深浅不同层级的特征，实现目标的分割。U-Net是比较早的使用多尺度特征进行语义分割任务的算法之一，是较成熟的现有技术，这里不进行过多的介绍。
图3为本发明实施例一种CT图像肝脏分割装置的组成示意图，所述装置包括：
目标函数建立模块11，用于建立肝脏识别模型的目标函数，所述目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离，当像素点分别位于肝脏内、肝脏外、肝脏表面时，所述距离分别小于0、大于0、等于0；
概率计算模块12，用于将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率；
肝脏分割模块13，用于对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。
作为一可选实施例，所述装置还包括预处理模块，用于根据肝脏的概略位置，在CT图像中划分出包含肝脏的区域，并对所述区域进行缩放和标准化处理。
作为一可选实施例，所述目标函数为：
式中，R(i)为第i个像素点Xi到肝脏表面S的代数距离，S+表示肝脏外部区域，S-表示肝脏内部区域，Rmin(i)为Xi到肝脏表面S的最短距离，i＝1,2,…,N，N为像素点数量。
作为一可选实施例，所述激励函数为：
式中，R为目标函数输出的代数距离，P(R)为像素点属于肝脏的概率值，k为控制拟合程度的常数。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种CT图像肝脏分割方法，其特征在于，包括以下步骤：
建立肝脏识别模型的目标函数，所述目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离，当像素点分别位于肝脏内、肝脏外、肝脏表面时，所述距离分别小于0、大于0、等于0，所述目标函数为：
式中，R(i)为第i个像素点Xi到肝脏表面S的代数距离，S+表示肝脏外部区域，S-表示肝脏内部区域，Rmin(i)为Xi到肝脏表面S的最短距离，i＝1,2,…,N，N为像素点数量；
将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率，所述激励函数为：
式中，R为目标函数输出的代数距离，P(R)为像素点属于肝脏的概率值，k为控制拟合程度的常数；
对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。
2.根据权利要求1所述的CT图像肝脏分割方法，其特征在于，所述方法还包括对CT图像进行预处理的步骤：根据肝脏的概略位置，在CT图像中划分出包含肝脏的区域，并对所述区域进行缩放和标准化处理。
3.根据权利要求1所述的CT图像肝脏分割方法，其特征在于，对所述识别模型进行训练的损失函数为：
L＝LSeg+λ(Lproduct+L1)
式中，L为总损失函数，LSeg为Dice损失，Lproduct为回归损失，L1为1范数损失，λ为损失函数分量的平衡常数，pi为第i个像素点的概率量化值，qi是金标准图像上第i个像素点的概率量化值，金标准图像上包含由资深医生标注的肝脏数据。
4.根据权利要求1所述的CT图像肝脏分割方法，其特征在于，所述识别模型为基于卷积神经网络CNN的U-Net网络结构。
5.一种CT图像肝脏分割装置，其特征在于，包括：
目标函数建立模块，用于建立肝脏识别模型的目标函数，所述目标函数的输出为输入CT图像上的像素点到肝脏表面的代数距离，当像素点分别位于肝脏内、肝脏外、肝脏表面时，所述距离分别小于0、大于0、等于0，所述目标函数为：
式中，R(i)为第i个像素点Xi到肝脏表面S的代数距离，S+表示肝脏外部区域，S-表示肝脏内部区域，Rmin(i)为Xi到肝脏表面S的最短距离，i＝1,2,…，N，N为像素点数量；
概率计算模块，用于将所述目标函数输入到一个激励函数，得到像素点属于肝脏的概率，所述激励函数为：
式中，R为目标函数输出的代数距离，P(R)为像素点属于肝脏的概率值，k为控制拟合程度的常数；
肝脏分割模块，用于对所述概率进行二值量化，超过设定阈值的概率量化为1，其余概率量化为0，提取量化值为1的像素点，将肝脏从图像中分割出来。
6.根据权利要求5所述的CT图像肝脏分割装置，其特征在于，所述装置还包括预处理模块，用于根据肝脏的概略位置，在CT图像中划分出包含肝脏的区域，并对所述区域进行缩放和标准化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589824.7A CN113592890B (zh) | 2021-05-28 | 2021-05-28 | 一种ct图像肝脏分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589824.7A CN113592890B (zh) | 2021-05-28 | 2021-05-28 | 一种ct图像肝脏分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592890A CN113592890A (zh) | 2021-11-02 |
| CN113592890B true CN113592890B (zh) | 2022-02-11 |
Family
ID=78243310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110589824.7A Active CN113592890B (zh) | 2021-05-28 | 2021-05-28 | 一种ct图像肝脏分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592890B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1745714A (zh) * | 2004-09-09 | 2006-03-15 | 西门子公司 | 利用拓扑信息从三维图像数据中分割解剖结构的方法 |
| WO2013155300A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of organs and tumors and objects |
| CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
| CN104318553A (zh) * | 2014-10-15 | 2015-01-28 | 北京理工大学 | 基于自适应表面形变模型的ct图像肝脏分割方法 |
| CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及*** |
| CN106056596A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 |
| CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人（合肥）国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
| US10275653B2 (en) * | 2017-02-24 | 2019-04-30 | Beihang University | Primary video objects with neighborhood reversibility |
| CN110827341A (zh) * | 2018-08-10 | 2020-02-21 | ***通信有限公司研究院 | 一种图片深度估计方法、装置和存储介质 |
| CN111063441A (zh) * | 2019-11-26 | 2020-04-24 | 中国科学院深圳先进技术研究院 | 一种肝脏变形预测方法、***及电子设备 |
| CN112561860A (zh) * | 2020-11-23 | 2021-03-26 | 重庆邮电大学 | 一种基于先验形状约束的BCA-UNet肝脏分割方法 |
| CN112785551A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于深度学习的冠状动脉分割方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8532356B2 (en) * | 2006-07-10 | 2013-09-10 | Siemens Medical Solutions Usa, Inc. | Method for automatic separation of segmented tubular and circular objects |
| US9492124B2 (en) * | 2011-01-06 | 2016-11-15 | Edda Technology, Inc. | System and method for treatment planning of organ disease at the functional and anatomical levels |
| WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
| CN112419237B (zh) * | 2020-11-03 | 2023-06-30 | 中国计量大学 | 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法 |
-
2021
- 2021-05-28 CN CN202110589824.7A patent/CN113592890B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1745714A (zh) * | 2004-09-09 | 2006-03-15 | 西门子公司 | 利用拓扑信息从三维图像数据中分割解剖结构的方法 |
| WO2013155300A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of organs and tumors and objects |
| CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
| CN104318553A (zh) * | 2014-10-15 | 2015-01-28 | 北京理工大学 | 基于自适应表面形变模型的ct图像肝脏分割方法 |
| CN106056596A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 |
| CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及*** |
| US10275653B2 (en) * | 2017-02-24 | 2019-04-30 | Beihang University | Primary video objects with neighborhood reversibility |
| CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人（合肥）国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
| CN110827341A (zh) * | 2018-08-10 | 2020-02-21 | ***通信有限公司研究院 | 一种图片深度估计方法、装置和存储介质 |
| CN111063441A (zh) * | 2019-11-26 | 2020-04-24 | 中国科学院深圳先进技术研究院 | 一种肝脏变形预测方法、***及电子设备 |
| CN112561860A (zh) * | 2020-11-23 | 2021-03-26 | 重庆邮电大学 | 一种基于先验形状约束的BCA-UNet肝脏分割方法 |
| CN112785551A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于深度学习的冠状动脉分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| Liver and tumor segmentation and analysis from CT of diseased patients via a generic affine invariant shape parameterization and graph cuts;Linguraru M等;《Abdominal Imaging Computational and Clinical Applications》;20121231;第198-206页 * |
| 三维CT图像肝脏自动分割方法研究;黄成;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315(第3期);第I138-943页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592890A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020224406A1 (zh) | 图像分类方法、计算机可读存储介质和计算机设备 | |
| CN110599528B (zh) | 一种基于神经网络的无监督三维医学图像配准方法及*** | |
| CN107016681B (zh) | 基于全卷积网络的脑部mri肿瘤分割方法 | |
| US11593943B2 (en) | RECIST assessment of tumour progression | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN107578416B (zh) | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| Murakami et al. | Automatic identification of bone erosions in rheumatoid arthritis from hand radiographs based on deep convolutional neural network | |
| CN111429460B (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
| KR20210048523A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체 | |
| JP2021530061A (ja) | 画像処理方法及びその装置、電子機器並びにコンピュータ可読記憶媒体 | |
| Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
| CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
| CN112215844A (zh) | 基于ACU-Net的MRI多模态图像分割方法和*** | |
| CN113706487A (zh) | 基于自监督特征小样本学习的多器官分割方法 | |
| CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
| CN113888475A (zh) | 图像检测方法及相关模型的训练方法、相关装置和设备 | |
| CN114332563A (zh) | 图像处理模型训练方法及相关装置、设备和存储介质 | |
| CN108898601B (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
| CN115063397A (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
| CN113592890B (zh) | 一种ct图像肝脏分割方法及装置 | |
| CN113822323A (zh) | 脑部扫描图像的识别处理方法、装置、设备及存储介质 | |
| Fei et al. | Deep learning-based lung medical image recognition | |
| CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
| CN109886320B (zh) | 一种人体股骨x光片智能识读方法及*** |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for CT image liver segmentation Effective date of registration: 20230111 Granted publication date: 20220211 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing Yizhun Intelligent Technology Co.,Ltd. Registration number: Y2023110000013 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: Room 1106, Weishi building, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220211 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing Yizhun Intelligent Technology Co.,Ltd. Registration number: Y2023110000013 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |