CN114037709B - 一种磨玻璃肺结节分割方法及装置 - Google Patents
一种磨玻璃肺结节分割方法及装置 Download PDFInfo
- Publication number
- CN114037709B CN114037709B CN202111308131.2A CN202111308131A CN114037709B CN 114037709 B CN114037709 B CN 114037709B CN 202111308131 A CN202111308131 A CN 202111308131A CN 114037709 B CN114037709 B CN 114037709B
- Authority
- CN
- China
- Prior art keywords
- function
- segmentation result
- lung nodule
- lung
- ground glass
- 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
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 75
- 239000005337 ground glass Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 110
- 210000004072 lung Anatomy 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 55
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 6
- 201000005202 lung cancer Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 201000005249 lung adenocarcinoma Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification 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
-
- 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
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种磨玻璃肺结节分割方法及装置,属于医学图像处理技术领域。所述方法包括:对肺部CT图像进行预处理;运用注意力级联残差U‑Net构建磨玻璃肺结节分割模型,对肺结节区域实施初分割,得到初分割结果;使用条件随机场优化所述初分割结果,获得最终分割结果;输出所述最终分割结果。本发明的方法自动化程度高,提高了分割效率和精度。
Description
技术领域
本发明属于医学图像处理技术领域,尤其涉及一种磨玻璃肺结节分割方法及装置。
背景技术
肺癌是死亡率全球最高的恶性肿瘤,低剂量计算机断层扫描(Low-Dose ComputedTomography,LDCT)能够提高早期肺癌的检出率,降低高危人群的死亡率。在CT影像中肺结节是早期肺癌的主要表现形式,对肺结节的检测和诊断是肺癌鉴别诊断的关键。在肺癌CT影像诊断中,肿瘤边界是常用的重要诊断信息。目前磨玻璃肺结节边界确定主要依赖于放射科医生手动勾画,而手动勾画三维肺肿瘤边界不仅费时、费力,而且可重复性较差,容易受到放射科医生个人经验等主观因素的影像。探索肺结节的自动、快速、准确分割方法能够有效解决这一问题,因此,基于CT影像的磨玻璃肺结节自动分割方法研究是肺癌CT影像诊断研究中的热点之一。
近年来,国内外研究学者提出了多种基于CT影像的磨玻璃肺结节自动分割模型,按照算法类型的不同可以大致分为两类:①基于图像分析算法驱动的常规分割方法,②基于数据驱动的深度学习分割方法。
常规基于图像分析算法驱动的分割方法在肺结节分割中主要根据结节的图像灰度分布特点和形状特征,通过设计不同的数学模型实现结节的分割,但此类方法在结节类型单一与周围组织灰度信息差异较大时效果较好,当结节与周围组织粘连、边界模糊时效果较差。而基于深度学习的分割方法是一种端到端的分割模型,能够较好的分割不同类型的结节,但是,作为一种数据驱动的模型,训练一个鲁棒性好的分割模型需要大样本、多样性的训练数据集。
现有技术中,对磨玻璃肺结节的分割自动化程度较低,效率低,精度不高。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种磨玻璃肺结节分割方法,通过建立基于注意力级联残差U-Net模型,对所述模型进行训练得到分割模型,利用所述分割模型对磨玻璃肺结节区域进行初分割;使用条件随机场优化初分割结果,获得最终分割结果,提高了分割效率和分割精度。
根据本发明的一个方面,本发明提供了一种磨玻璃肺结节分割方法,所述方法包括以下步骤:
对肺部CT图像进行预处理;
运用注意力级联残差U-Net模型对肺结节区域实施初分割,得到初分割结果;
使用条件随机场优化所述初分割结果,获得最终分割结果;
输出所述最终分割结果。
优选地,所述对CT影像预处理步骤包括:
输入肺部CT序列断层影像ICT;
将所述影像ICT的灰度范围归一化至[-1,1];
选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN;
对训练集中样本数据进行增强和扩充。
优选地,对注意力级联残差U-Net模型构建步骤包括:
根据卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,对所述注意力级联残差U-Net进行训练,得到肺结节分割模型。
优选地,所述对所述注意力级联残差U-Net进行训练,包括:
构建损失函数,利用所述损失函数对所述模型进行训练;其中,
平衡交叉损失函数BCELoss的计算公式如下:
Dice系数损失函数计算公式如下:
平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下:
BCE-DICELoss=α*BCELoss+β*DiceLoss
其中,其中,x表示网络的输出预测值,y表示每个像素的真实标签,w为权重系数;α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数,ε为平滑系数。
优选地,所述使用条件随机场优化所述初分割结果,包括:
利用能量函数对初分割结果进行优化,所述能量函数计算公式如下:
其中,C表示每个体素的标签;Φu(ci)为一元势函数,表示注意力级联残差U-Net模型输出的体素预测概率;Ψv(ci,cj)为二元势函数;u,v表示预测的体素标签;μ(ci,cj)表示兼容函数;ci、cj表示体素i、j位置对应的标签;fi、fj分别是体素i、j位置任意维度的特征向量;k(fi,fj)是高斯核函数,k(m)表示高斯核,k值设定为2,pi和pj表示两个体素Ii和Ij的位置,θα,θβ和θγ为高斯核的参数。
另一方面,本发明还提供了一种磨玻璃肺结节分割装置,所述装置包括:
图像预处理模块,用于调用对肺部CT图像进行预处理;
初始分割模块,运用注意力级联残差U-Net模型对肺结节区域实施初分割,得到初分割结果;
优化模块,用于使用条件随机场优化所述初分割结果,获得最终分割结果;
输出模块,用于输出所述最终分割结果。
优选地,所述图像预处理模块对CT影像预处理步骤包括:
输入肺部CT序列断层影像ICT;
将所述影像ICT的灰度范围归一化至[-1,1];
选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN;
对训练集中样本数据进行增强和扩充。
优选地,在调用肺结节分割模型之前,所述初始分割模块对注意力级联残差U-Net模型构建步骤包括:
根据卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,对所述注意力级联残差U-Net进行训练,得到肺结节分割模型。
优选地,所述初始分割模块对所述注意力级联残差U-Net进行训练,包括:
构建损失函数,利用所述损失函数对所述模型进行训练;其中,
平衡交叉损失函数BCELoss的计算公式如下:
Dice系数损失函数计算公式如下:
平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下:
BCE-DICELoss=α*BCELoss+β*DiceLoss
其中,其中,x表示网络的输出预测值,y表示每个像素的真实标签,w为权重系数;α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数,ε为平滑系数。
优选地,所述优化模块使用条件随机场优化所述初分割结果,包括:
利用能量函数对初分割结果进行优化,所述能量函数计算公式如下:
其中,C表示每个体素的标签;Φu(ci)为一元势函数,表示注意力级联残差U-Net模型输出的体素预测概率;Ψv(ci,cj)为二元势函数;u,v表示预测的体素标签;μ(ci,cj)表示兼容函数;ci、cj表示体素i、j位置对应的标签;fi、fj分别是体素i、j位置任意维度的特征向量;k(fi,fj)是高斯核函数,k(m)表示高斯核,k值设定为2,pi和pj表示两个体素Ii和Ij的位置,θα,θβ和θγ为高斯核的参数。
有益效果:本发明通过建立基于注意力级联残差U-Net模型,对所述模型进行训练得到分割模型,利用所述分割模型对磨玻璃肺结节区域进行初分割;使用条件随机场优化初分割结果,获得最终分割结果,提高了分割效率和分割精度。
通过参照以下附图及对本发明的具体实施方式的详细描述,本发明的特征及优点将会变得清楚。
附图说明
图1是磨玻璃肺结节分割方法流程图;
图2是注意力级联残差U-Net模型的结构示意图;
图3是注意力级联模块的结构示意图;
图4是磨玻璃肺结节分割结果示意图;
图5是磨玻璃肺结节分割装置示意图。
具体实施方式
下面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。
实施例1
图1是肺结节分割方法流程图。如图1所示,本发明提供了一种磨玻璃肺结节分割方法,所述方法包括以下步骤:
S1:对肺部CT图像进行预处理。
具体地,运用图像处理方法,将原始肺部CT图像进行预处理,使其满足磨玻璃肺结节分割模型的要求。
S2:运用注意力级联残差U-Net模型对肺结节区域实施初分割,得到初分割结果;
具体地,所述磨玻璃肺结节分割模型是对预先建立的模型进行训练得到的优化模型,对预处理后的肺部CT图像输入所述肺结节分割模型进行图像分割,得到初分割结果。
S3:使用条件随机场优化所述初分割结果,获得最终分割结果。
具体地,将基于体素的条件随机场对肺结节的分割结果作为输入,运用分割模型输出的磨玻璃肺结节预测概率图作为条件随机场的特征空间,通过推理过程实现能量函数最小化求解,得到最终分割结果。
S4:输出所述最终分割结果。
具体地,可通过人机界面显示最终分割结果。
优选地,所述对CT影像预处理步骤包括:
输入肺部CT序列断层影像ICT;
将所述影像ICT的灰度范围归一化至[-1,1];
选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN;
对训练集中样本数据进行增强和扩充。
具体地,输入DICOM格式的肺部CT序列断层影像ICT,首先运用窗宽窗位调节技术,将原始CT影像ICT的灰度范围归一化至[-1,1];
其中,利用窗宽窗位调节技术,对原始CT影像调整至肺窗,计算公式如下:
其中,ICT(x,y)表示原始CT图像ICT中每个像素的灰度值,ILung表示调节后的CT图像。
然后,将窗宽窗位调整后的肺部CT影像ILung的灰度范围归一化至[-1,1],计算公式如下:
其中,INorm表示归一化后的CT图像。
交互式选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN,后续操作均在此感兴趣区域上进行;
利用随机剪切、图像旋转、图像翻转等数据增强技术,对训练集中样本进行扩充。
优选地,在调用磨玻璃肺结节分割模型之前,所述对注意力级联残差U-Net模型构建步骤包括:
根据卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,对所述注意力级联残差U-Net进行训练,得到肺结节分割模型。
具体地,运用三维卷积层、批归一化层、线性整流函数、池化层等卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,注意力级联残差U-Net模型的结构示意图如图2所示。其中,注意力级联模块的网络结构的示意图如图3所示。
优选地,所述对所述注意力级联残差U-Net进行训练,包括:
构建损失函数,利用所述损失函数对所述模型进行训练;其中,
平衡交叉损失函数BCELoss的计算公式如下:
Dice系数损失函数计算公式如下:
平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下:
BCE-DICELoss=α*BCELoss+β*DiceLoss
其中,其中,x表示网络的输出预测值,y表示每个像素的真实标签,w为权重系数;α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数,ε为平滑系数。
本步骤中,运用加权融合算法将平衡交叉熵损失函数和Dice系数损失函数结合,构建模型训练的损失函数用于模型训练。最后,选用Adam优化器设定学习率为1×10-4、权重衰减系数为1×10-4,对基于注意力级联残差U-Net模型进行训练。模型训练过程中设定批尺寸为8、最大训练迭代轮次为1000,为了防止模型过拟合,运用早停止策略监测模型训练过程中的交叉验证损失,选择最优的训练模型。
优选地,所述使用条件随机场优化所述初分割结果,包括:
利用能量函数对初分割结果进行优化,所述能量函数计算公式如下:
其中,C表示每个体素的标签;Φu(ci)为一元势函数,表示注意力级联残差U-Net模型输出的体素预测概率;Ψv(ci,cj)为二元势函数;u,v表示预测的体素标签;μ(ci,cj)表示兼容函数;ci、cj表示体素i、j位置对应的标签;fi、fj分别是体素i、j位置任意维度的特征向量;k(fi,fj)是高斯核函数,k(m)表示高斯核,k值设定为2,pi和pj表示两个体素Ii和Ij的位置,θα,θβ和θγ为高斯核的参数。
具体地,采用基于体素的条件随机场对注意力级联残差U-Net的分割结果进行优化。设定三维感兴趣区域I是由一系列体素所构成,可以表示为{Ii|i=1,2,L,N},则条件随机场对磨玻璃肺结节区域分割的问题,即为对吉布斯能量最小化求解的过程。其中,最终优化的分割结果如图4所示。
以下给出一个对本实施例的分割方法的实验过程:
1、实验条件:
本实验训练集数据来自公共数据集LIDC-IDRI数据库,共搜集224个磨玻璃肺结节样本。测试集来自某附属肿瘤医院51名患者CT影像,共92个磨玻璃肺结节样本。
2、实验结果及结果分析
在测试集中,本发明分割模型获得Dice系数值为0.733±0.100,JSC值为0.587±0.117,SEN值为0.740±0.155,PPV值为0.785±0.165。
本实施例提出的注意力级联残差U-Net和条件随机场的3D磨玻璃肺结节分割算法,运用一系列医学图像处理方法实现了CT图像上磨玻璃肺结节的自动分割,为探究磨玻璃样早肺腺癌的计算机辅助诊断技术奠定了基础。
实施例2
图5是肺结节分割装置示意图。如图5所示,本发明还提供了一种磨玻璃肺结节分割装置,所述装置包括:
图像预处理模块,用于调用磨玻璃肺结节分割模型,对肺部CT图像进行预处理;
初始分割模块,运用注意力级联残差U-Net模型对肺结节区域实施初分割,得到初分割结果;
优化模块,用于使用条件随机场优化所述初分割结果,获得最终分割结果;
输出模块,用于输出所述最终分割结果。
优选地,所述图像预处理模块,对CT影像预处理步骤包括:
输入肺部CT序列断层影像ICT;
将所述影像ICT的灰度范围归一化至[-1,1];
选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN;
对训练集中样本数据进行增强和扩充。
优选地,在调用肺结节分割模型之前,所述初始分割模块对注意力级联残差U-Net模型构建步骤包括:
根据卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,对所述注意力级联残差U-Net进行训练,得到磨玻璃肺结节分割模型。
优选地,所述初始分割模块对所述注意力级联残差U-Net进行训练,包括:
构建损失函数,利用所述损失函数对所述模型进行训练;其中,
平衡交叉损失函数BCELoss的计算公式如下:
Dice系数损失函数计算公式如下:
平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下:
BCE-DICELoss=α*BCELoss+β*DiceLoss
其中,其中,x表示网络的输出预测值,y表示每个像素的真实标签,w为权重系数;α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数,ε为平滑系数。
优选地,所述优化模块使用条件随机场优化所述初分割结果,包括:
利用能量函数对初分割结果进行优化,所述能量函数计算公式如下:
其中,C表示每个体素的标签;Φu(ci)为一元势函数,表示注意力级联残差U-Net模型输出的体素预测概率;Ψv(ci,cj)为二元势函数;u,v表示预测的体素标签;μ(ci,cj)表示兼容函数;ci、cj表示体素i、j位置对应的标签;fi、fj分别是体素i、j位置任意维度的特征向量;k(fi,fj)是高斯核函数,k(m)表示高斯核,k值设定为2,pi和pj表示两个体素Ii和Ij的位置,θα,θβ和θγ为高斯核的参数。
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的各个步骤的实施过程相同,在此不再赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (2)
1.一种磨玻璃肺结节分割方法,其特征在于,所述方法包括以下步骤:
对肺部CT图像进行预处理;
运用注意力级联残差U-Net模型对肺结节区域实施初分割,得到初分割结果;
使用条件随机场优化所述初分割结果,获得最终分割结果;
输出所述最终分割结果;对CT影像预处理步骤包括:
输入肺部CT序列断层影像ICT;
将所述影像ICT的灰度范围归一化至[-1,1];
选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN;
对训练集中样本数据进行增强和扩充;所述注意力级联残差U-Net模型构建步骤包括:
根据卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,对所述注意力级联残差U-Net进行训练,得到磨玻璃肺结节分割模型;所述对所述注意力级联残差U-Net进行训练,包括:
构建损失函数,利用所述损失函数对所述模型进行训练;其中,
平衡交叉损失函数BCELoss的计算公式如下:
Dice系数损失函数计算公式如下:
平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下:
BCE-DICELoss=α*BCELoss+β*DiceLoss
其中,其中,x表示网络的输出预测值,y表示每个像素的真实标签,w为权重系数;α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数,ε为平滑系数;所述使用条件随机场优化所述初分割结果,包括:
利用能量函数对初分割结果进行优化,所述能量函数计算公式如下:
其中,C表示每个体素的标签;Φu(ci)为一元势函数,表示注意力级联残差U-Net模型输出的体素预测概率;Ψv(ci,cj)为二元势函数;u,v表示预测的体素标签;μ(ci,cj)表示兼容函数;ci、cj表示体素i、j位置对应的标签;fi、fj分别是体素i、j位置任意维度的特征向量;k(fi,fj)是高斯核函数,k(m)表示高斯核,k值设定为2,pi和pj表示两个体素Ii和Ij的位置,θα,θβ和θγ为高斯核的参数。
2.一种磨玻璃肺结节分割装置,其特征在于,所述装置包括:
图像预处理模块,用于调用对肺部CT图像进行预处理;
初始分割模块,运用注意力级联残差U-Net模型对肺结节区域实施初分割,得到初分割结果;
优化模块,用于使用条件随机场优化所述初分割结果,获得最终分割结果;
输出模块,用于输出所述最终分割结果;所述图像预处理模块对CT影像预处理步骤包括:
输入肺部CT序列断层影像ICT;
将所述影像ICT的灰度范围归一化至[-1,1];
选取磨玻璃肺结节中心点,根据肺结节的中心点坐标,剪切出包含磨玻璃肺结节的三维感兴趣区域ROIGGN;
对训练集中样本数据进行增强和扩充;所述初始分割模块对注意力级联残差U-Net模型构建步骤包括:
根据卷积神经网络结构,构建包含编码模块和解码模块的注意力级联残差U-Net模型,对所述注意力级联残差U-Net进行训练,得到肺结节分割模型;所述初始分割模块对所述注意力级联残差U-Net进行训练,包括:
构建损失函数,利用所述损失函数对所述模型进行训练;其中,
平衡交叉损失函数BCELoss的计算公式如下:
Dice系数损失函数计算公式如下:
平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下:
BCE-DICELoss=α*BCELoss+β*DiceLoss
其中,x表示网络的输出预测值,y表示每个像素的真实标签,w为权重系数;α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数,ε为平滑系数;所述优化模块使用条件随机场优化所述初分割结果,包括:
利用能量函数对初分割结果进行优化,所述能量函数计算公式如下:
其中,C表示每个体素的标签;Φu(ci)为一元势函数,表示注意力级联残差U-Net模型输出的体素预测概率;Ψv(ci,cj)为二元势函数;u,v表示预测的体素标签;μ(ci,cj)表示兼容函数;ci、cj表示体素i、j位置对应的标签;fi、fj分别是体素i、j位置任意维度的特征向量;k(fi,fj)是高斯核函数,k(m)表示高斯核,k值设定为2,pi和pj表示两个体素Ii和Ij的位置,θα,θβ和θγ为高斯核的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111308131.2A CN114037709B (zh) | 2021-11-05 | 2021-11-05 | 一种磨玻璃肺结节分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111308131.2A CN114037709B (zh) | 2021-11-05 | 2021-11-05 | 一种磨玻璃肺结节分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037709A CN114037709A (zh) | 2022-02-11 |
CN114037709B true CN114037709B (zh) | 2023-06-16 |
Family
ID=80136458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111308131.2A Active CN114037709B (zh) | 2021-11-05 | 2021-11-05 | 一种磨玻璃肺结节分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115091283B (zh) * | 2022-07-06 | 2023-08-22 | 天润工业技术股份有限公司 | 一种高效磨削曲轴的控制调整方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346154A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 |
CN109087317A (zh) * | 2018-11-13 | 2018-12-25 | 中国科学院大学 | 一种肺结节图像分割方法 |
CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
CN111369537A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肺磨玻璃结节的自动分割***及方法 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及*** |
CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
CN112465830A (zh) * | 2020-11-11 | 2021-03-09 | 上海健康医学院 | 一种磨玻璃样肺结节自动分割方法及计算机设备 |
-
2021
- 2021-11-05 CN CN202111308131.2A patent/CN114037709B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346154A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 |
CN109087317A (zh) * | 2018-11-13 | 2018-12-25 | 中国科学院大学 | 一种肺结节图像分割方法 |
CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
CN111369537A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肺磨玻璃结节的自动分割***及方法 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及*** |
CN112465830A (zh) * | 2020-11-11 | 2021-03-09 | 上海健康医学院 | 一种磨玻璃样肺结节自动分割方法及计算机设备 |
CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
Non-Patent Citations (5)
Title |
---|
侯腾璇 ; 赵涓涓 ; 强彦 ; 王三虎 ; 王磐 ; .CRF 3D-UNet肺结节分割网络.计算机工程与设计.2020,(第06期),全文. * |
刘雅熙 ; 钟建军 ; 孙玉玺 ; 彭浩超 ; .基于深度学习的肺肿瘤图像分割研究.计算机产品与流通.2020,(第07期),全文. * |
周鲁科 ; 朱信忠 ; .基于U-net网络的肺部肿瘤图像分割算法研究.信息与电脑(理论版).2018,(第05期),全文. * |
李祥霞 ; 李彬 ; 田联房 ; 张莉 ; 朱文博 ; .基于稀疏表示和随机游走的磨玻璃型肺结节分割.自动化学报.2018,(第09期),全文. * |
郝晓宇 ; 熊俊峰 ; 薛旭东 ; 石军 ; 文可 ; 韩文廷 ; 李骁扬 ; 赵俊 ; 傅小龙 ; .融合双注意力机制3D U-Net的肺肿瘤分割.中国图象图形学报.2020,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114037709A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563902B (zh) | 一种基于三维卷积神经网络的肺叶分割方法及*** | |
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN112465827B (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
CN111563897B (zh) | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 | |
Li et al. | Automatic cardiothoracic ratio calculation with deep learning | |
CN113674253B (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN111445474B (zh) | 基于双向复注意力深度网络的肾脏ct图像分割方法 | |
CN107203989A (zh) | 基于全卷积神经网络的端对端胸部ct图像分割方法 | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN113129309A (zh) | 基于对象上下文一致性约束的医学图像半监督分割*** | |
CN112634265B (zh) | 基于dnn的胰腺全自动分割模型的构建、分割方法及*** | |
CN110689525A (zh) | 基于神经网络识别***的方法及装置 | |
CN106780453A (zh) | 一种基于深度信任网络实现对脑肿瘤分割的方法 | |
CN114359292A (zh) | 一种基于多尺度和注意力的医学图像分割方法 | |
CN114596317A (zh) | 一种基于深度学习的ct影像全心脏分割方法 | |
CN114037709B (zh) | 一种磨玻璃肺结节分割方法及装置 | |
CN114972362A (zh) | 一种基于RMAU-Net网络的医学图像自动分割方法与*** | |
CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
CN116721289A (zh) | 基于自监督聚类对比学习的宫颈oct图像分类方法及*** | |
CN116797609A (zh) | 全局-局部特征关联融合的肺部ct图像分割方法 | |
CN114581474A (zh) | 一种基于***ct影像的临床靶区自动勾画方法 | |
CN114862800A (zh) | 基于几何一致性约束的半监督医学图像分割方法 | |
CN114998615A (zh) | 一种基于深度学习的协同显著性检测方法 |
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 |