CN114399501B - 基于深度学习卷积神经网络的自动分割***全腺体方法 - Google Patents

基于深度学习卷积神经网络的自动分割***全腺体方法 Download PDF

Info

Publication number
CN114399501B
CN114399501B CN202210096760.1A CN202210096760A CN114399501B CN 114399501 B CN114399501 B CN 114399501B CN 202210096760 A CN202210096760 A CN 202210096760A CN 114399501 B CN114399501 B CN 114399501B
Authority
CN
China
Prior art keywords
prostate
image
segmentation network
gland
whole
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
Application number
CN202210096760.1A
Other languages
English (en)
Other versions
CN114399501A (zh
Inventor
许梨梨
孙昊
张古沐阳
李秀丽
毛丽
张晓霄
白鑫
陈丽
张家慧
金征宇
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.)
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority to CN202210096760.1A priority Critical patent/CN114399501B/zh
Publication of CN114399501A publication Critical patent/CN114399501A/zh
Application granted granted Critical
Publication of CN114399501B publication Critical patent/CN114399501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于深度学习卷积神经网络的自动分割***全腺体方法。包括：获取样本的***MR图像；将所述***MR图像输入***全腺体分割网络，得到***全腺体图像，所述***全腺体分割网络包括***尖部分割网络、***中部分割网络和***底部分割网络，所述***尖部分割网络用于分割***MR图像得到***尖部图像，所述***中部分割网络用于分割***MR图像得到***中部图像，所述***底部分割网络用于分割***MR图像得到***底部图像，将所述***尖部图像、***中部图像和***底部图像进行图像合并，得到***全腺体分割图像。本发明从***解剖结构特点出发，提供更好的***全腺体分割方法。

Description

基于深度学习卷积神经网络的自动分割***全腺体方法
技术领域
本发明涉及智能医疗技术领域，更具体地，涉及一种基于深度学习卷积神经网络的自动分割***全腺体方法、设备、***及存储介质。
背景技术
MR 图像上准确的***全腺分割在***癌甚至良性***增生的管理中起着重要作用，对于恶性***癌，准确高效的***轮廓识别对癌症分期和放射治疗计划等至关重要。深度学习的进步在医学影像分析方面取得了突出的成果，最近提出的 U-Net 架构已成功应用于***分割。然而，这些研究大多基于公共数据集或单一图像，有些分割模型的效果泛化性不佳，这些很大原因是由于没有深入考虑***MR图像中各种图像的分辨率差异较大，没有从***解剖结构出发解决这些临床影像实际情况。
发明内容
为解决上述问题，我们基于***MR图像的特点和***解剖结构特点，建立一种基于深度学习卷积神经网络的自动分割***全腺体方法、设备、***及存储介质。
本申请公开了一种基于深度学习卷积神经网络的自动分割***全腺体方法，具体方法步骤包括：
获取样本的***MR图像；
将所述***MR图像输入***全腺体分割网络，得到***全腺体图像，所述***全腺体分割网络包括***尖部分割网络、***中部分割网络和***底部分割网络，所述***尖部分割网络用于分割***MR图像得到***尖部图像，所述***中部分割网络用于分割***MR图像得到***中部图像，所述***底部分割网络用于分割***MR图像得到***底部图像，将所述***尖部图像、***中部图像和***底部图像进行图像合并，得到***全腺体分割图像。
进一步，所述方法步骤还包括将***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；可选的，将所述***MR图像输入分类器中，所述分类器基于所述***MR图像信息中的序列名称或分辨率对***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像。
进一步，所述方法步骤还包括将***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；可选的，将所述***MR图像输入分类器中，所述分类器基于***解剖结构对***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像。
进一步，采用分类器对***MR图像进行分类，所述分类器选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法。
进一步，将所述T2WI图像输入第一***全腺体分割网络，得到第一***全腺体图像，所述第一***全腺体分割网络包括第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络；将所述DWI图像输入第二***全腺体分割网络，得到第二***全腺体图像，所述第二***全腺体分割网络包括第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络；将所述ADC图像输入第三***全腺体分割网络，得到第三***全腺体图像，所述第三***全腺体分割网络包括第三***尖部分割网络、第三***中部分割网络和第三***底部分割网络； 将所述DCE图像输入第四***全腺体分割网络，得到第四***全腺体图像，所述第四***全腺体分割网络包括第四***尖部分割网络、第四***中部分割网络和第四***底部分割网络。
进一步，所述分割网络为3D U-net分割网络；可选的，所述3D U-net分割网络包括3-5个上采样模块和3-5个下采样模块，所述第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络为包括5个上采样模块和5个下采样模块；所述第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络包括3个上采样模块和3个下采样模块。进一步，所述***尖部分割网络、***中部分割网络和***底部分割网络为预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络，所述预先训练包括：
获取训练样本的***MR图像；
对所述***MR图像进行数据增强得到数据增强处理后的***MR图像，可选的，所述数据增强包括水平镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种；
将所述数据增强处理后***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；
将所述***尖部MR图像、***中部MR图像或***底部MR图像分别输入***尖部分割网络、***中部分割网络和***底部分割网络，得到***尖部图像、***中部图像和***底部图像，将得到的***尖部图像、***中部图像和***底部图像与医生手动圈定的图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络。
本申请的目的在于提供一种基于深度学习卷积神经网络的自动分割***全腺体的***，包括：
获取单元，用于获取样本的***MR图像；
分割单元，用于将所述***MR图像输入***全腺体分割网络，得到***全腺体图像，所述***全腺体分割网络包括***尖部分割网络、***中部分割网络和***底部分割网络，所述***尖部分割网络用于分割***MR图像得到***尖部图像，所述***中部分割网络用于分割***MR图像得到***中部图像，所述***底部分割网络用于分割***MR图像得到***底部图像，将所述***尖部图像、***中部图像和***底部图像进行合并，得到***全腺体分割图像。
本申请的目的在于提供一种基于深度学习卷积神经网络的自动分割***全腺体的设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时实现上述的基于深度学习卷积神经网络的自动分割***全腺体方法步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于深度学习卷积神经网络的自动分割***全腺体方法步骤。
本申请的优点：
1.本申请考虑到***MR图像中T2WI图像、DWI图像、ADC图像或DCE图像的分辨率差异较大，将不同种图像样本同时用于模型训练时将导致模型训练结果不理想，故而在进行分割网络训练时，分别进行了分割网络模型的训练，并且在分割网络上采样模块和下采样模块上分别进行了调整，调整后的模型能自动准确的分割T2WI图像、DWI图像、ADC图像或DCE图像***整个腺体；
2.本申请在实际模型训练中发现部分区域分割效果不佳，考虑***解剖结构差异，将***全腺体MR图像分为***尖部MR图像、***中部MR图像和***底部MR图像，分别训练***尖部分割网络、***中部分割网络和***底部分割网络，尤其是对***尖部分割网络，我们在模型训练中发现其相较中部分割网络和底部分割网络，容易受图像扫描参数的影响，为此，在模型训练中增加图像的预处理，包括***尖部MR图像的加噪和降噪等处理，提升模型的泛化能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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取其他的附图。
图1是本发明实施例提供的一种基于深度学习卷积神经网络的自动分割***全腺体方法示意流程图；
图2是本发明实施例提供的一种基于深度学习卷积神经网络的自动分割***全腺体***示意图；
图3是本发明实施例提供的一种基于深度学习卷积神经网络的自动分割***全腺体设备示意图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种基于深度学习卷积神经网络的自动分割***全腺体方法示意流程图，具体地，所述方法包括如下步骤：
101：获取样本的***MR图像；
在一个实施例中，所述***MR图像包括扩散加权成像 (DWI) 、 T2 加权成像(T2WI) 图像、ADC图像和DCE图像。可选的，所述T2WI 图像采用不同类型扫描器获得，例如T2WI 图像采用GE Discovery MR 750、Siemens Magnetom Skyra、Siemens MagnetomTrioTim、Siemens Magnetom Skyra、Siemens Magnetom Aera、Siemens Magnetom Espree、GE Optima MR360、GE Signa EXCITE、Philips Achieva、GE SIGNA Pioneer等扫描器获得，例如DWI 图像采用GE Discovery MR 750、Siemens Magnetom Skyra、Siemens MagnetomTrioTim等扫描器获得。
在一个具体实施例中，所述方法步骤还包括获取样本的***MR图像后，将***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；可选的，将所述***MR图像输入分类器中，所述分类器基于所述***MR图像的分辨率或序列名称对***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像。可选的，采用分类器对***MR图像进行分类，所述分类器选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法。
在一个具体实施例中，分类器基于所述***MR图像的序列名称对***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像。更具体的，分类器自动读取Dicom的影像信息，提取扫描序列名称“Series Description”这一关键字，例如 T2WI图像的序列名称通常包含“T2”，DWI图像的序列名称通常包含“DWI”，将所述***MR图像分为T2WI图像或DWI图像。
在一个具体实施例中，所述方法步骤还包括将***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；可选的，将所述***MR图像输入分类器中，所述分类器基于***解剖结构对***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像。可选的，采用分类器对***MR图像进行分类，所述分类器选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法。
在一个实施例中，所述方法步骤还包括获取样本的***MR图像后，对MR图像进行预处理，所述预处理包括归一化处理等。在一个具体实施例中，将图像重新采样到统一的像素间距，即训练队列像素间距的中值，以抵消分辨率不一致导致的偏差（T2WI 为 3.69*0.51*0.51，3.21*1.41*1.41 DWI）。图像的输入块大小是所有图像的平均非零区域（T2WI为 14*352*352， DWI 为 20*174*250）。然后通过 z-score 归一化对图像的强度进行归一化。
102：将所述***MR图像输入***全腺体分割网络，得到***全腺体图像，所述***全腺体分割网络包括***尖部分割网络、***中部分割网络和***底部分割网络，所述***尖部分割网络用于分割***MR图像得到***尖部图像，所述***中部分割网络用于分割***MR图像得到***中部图像，所述***底部分割网络用于分割***MR图像得到***底部图像，将所述***尖部图像、***中部图像和***底部图像进行图像合并，得到***全腺体分割图像。
在一个实施例中，将所述T2WI图像输入第一***全腺体分割网络，得到第一***全腺体图像，所述第一***全腺体分割网络包括第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络，所述第一***尖部分割网络用于分割***MR图像得到第一***尖部图像，所述第一***中部分割网络用于分割***MR图像得到第一***中部图像，所述第一***底部分割网络用于分割***MR图像得到第一***底部图像，将所述第一***尖部图像、第一***中部图像和第一***底部图像进行合并，得到T2WI图像***全腺体分割图像；将所述DWI图像输入第二***全腺体分割网络，得到第二***全腺体图像，所述第二***全腺体分割网络包括第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络，所述第二***尖部分割网络用于分割***MR图像得到第二***尖部图像，所述第二***中部分割网络用于分割***MR图像得到第二***中部图像，所述第二***底部分割网络用于分割***MR图像得到第二***底部图像，将所述第二***尖部图像、第二***中部图像和第二***底部图像进行合并，得到DWI图像***全腺体分割图像。
在一个实施例中，所述分割网络为3D U-net分割网络；可选的，所述3D U-net分割网络包括3-5个上采样模块和3-5个下采样模块，所述第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络为包括5个上采样模块和5个下采样模块；所述第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络为包括3个上采样模块和3个下采样模块。在一个具体实施例中，3D U-net分割网络每个下采样模块包含卷积层、Batch Normalization、ReLU、max_polling，每个上采样模块包含上采样层、卷积层、Batch Normalization、ReLU。在一个具体实施例中，3D U-net分割网络训练时损失函数是 Dice 损失和二元交叉熵 (BCE) 损失的组合。
在一个实施例中，所述图像合并为将三个分割网络（***尖部分割网络、***中部分割网络和***底部分割网络）的预测值相加，其中背景预测值除以3，然后根据相加后的预测值来生成全腺体分割结果。
在一个实施例中，所述***尖部分割网络、***中部分割网络和***底部分割网络为预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络，所述预先训练包括：获取训练样本的***MR图像；对所述***MR图像进行数据增强得到数据增强处理后的***MR图像，可选的，所述数据增强包括水平镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种；将所述数据增强处理后***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；将所述***尖部MR图像、***中部MR图像或***底部MR图像分别输入***尖部分割网络、***中部分割网络和***底部分割网络，得到***尖部图像、***中部图像和***底部图像，将得到的***尖部图像、***中部图像和***底部图像与医生手动圈定的图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络。
在一个实施例中，，所述预先训练包括：获取训练样本的***MR图像；将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像，对所述***尖部MR图像、***中部MR图像或***底部MR图像进行数据增强得到数据增强处理后的***尖部MR图像、***中部MR图像或***底部MR图像；将所述数据增强处理后的***尖部MR图像、***中部MR图像或***底部MR图像分别输入***尖部分割网络、***中部分割网络和***底部分割网络，得到***尖部图像、***中部图像和***底部图像，将得到的***尖部图像、***中部图像和***底部图像与医生手动圈定的图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络。可选的，将所述***尖部MR图像和数据增强处理后的***尖部MR图像输入***尖部分割网络。
在一个实施例中，所述预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络是通过如下步骤训练得到的：获取训练样本的***MR图像；将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；对所述***尖部MR图像进行数据增强得到数据增强处理后的***MR图像，所述数据增强包括水平镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种，优选的，所述数据增强还包括图像加噪和图像降噪；将所述***MR图像和增强处理后***尖部MR图像输入***尖部分割网络，得到***尖部图像，将得到的***尖部图像与医生手动圈定的***尖部图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***尖部分割网络；通过引入增强处理后的***尖部MR图像，如加噪的***尖部MR图像、降噪的***尖部MR图像和原***尖部MR图像一起作为训练集进行***尖部分割网络，使得训练得到的***尖部分割网络具有更好的泛化性。
对所述***中部MR图像进行数据增强得到数据增强处理后的***MR图像，所述数据增强包括水平镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种；将所述增强处理后***中部MR图像输入***中部分割网络，得到***中部图像，将得到的***中部图像与医生手动圈定的***中部图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***中部分割网络；
对所述***底部MR图像进行数据增强得到数据增强处理后的***MR图像，所述数据增强包括水平镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种；将所述增强处理后***底部MR图像输入***中部分割网络，得到***底部图像，将得到的***底部图像与医生手动圈定的***底部图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***底部分割网络。
在一个实施例中，使用Dice similarity coefficient (DSC)、Hausdorffdistance (95HD, mm)、Average boundary distance (ABD, mm)来评估3D U-net分割网络的性能。DSC 被广泛用于量化分割之间的空间重叠，其值范围从 0（表示没有重叠）到 1（表示完全重叠）。
图2是本发明实施例提供的一种基于深度学习卷积神经网络的自动分割***全腺体的***，包括：
获取单元201，用于获取样本的***MR图像；
分割单元202，用于将所述***MR图像输入***全腺体分割网络，得到***全腺体图像，所述***全腺体分割网络包括***尖部分割网络、***中部分割网络和***底部分割网络，所述***尖部分割网络用于分割***MR图像得到***尖部图像，所述***中部分割网络用于分割***MR图像得到***中部图像，所述***底部分割网络用于分割***MR图像得到***底部图像，将所述***尖部图像、***中部图像和***底部图像进行合并，得到***全腺体分割图像。
在一个具体实施例中，所述基于深度学习卷积神经网络的自动分割***全腺体的***，包括。
获取单元，用于获取样本的***MR图像；
分类单元，用于将***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；
分割单元，用于将所述T2WI图像输入第一***全腺体分割网络，得到第一***全腺体图像，所述第一***全腺体分割网络包括第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络，所述第一***尖部分割网络用于分割***MR图像得到第一***尖部图像，所述第一***中部分割网络用于分割***MR图像得到第一***中部图像，所述第一***底部分割网络用于分割***MR图像得到第一***底部图像，将所述第一***尖部图像、第一***中部图像和第一***底部图像进行合并，得到T2WI图像***全腺体分割图像；
将所述DWI图像输入第二***全腺体分割网络，得到第二***全腺体图像，所述第二***全腺体分割网络包括第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络，所述第二***尖部分割网络用于分割***MR图像得到第二***尖部图像，所述第二***中部分割网络用于分割***MR图像得到第二***中部图像，所述第二***底部分割网络用于分割***MR图像得到第二***底部图像，将所述第二***尖部图像、第二***中部图像和第二***底部图像进行合并，得到DWI图像***全腺体分割图像；
将所述ADC图像输入第三***全腺体分割网络，得到第三***全腺体图像，所述第三***全腺体分割网络包括第三***尖部分割网络、第三***中部分割网络和第三***底部分割网络，所述第三***尖部分割网络用于分割***MR图像得到第三***尖部图像，所述第三***中部分割网络用于分割***MR图像得到第三***中部图像，所述第三***底部分割网络用于分割***MR图像得到第三***底部图像，将所述第三***尖部图像、第三***中部图像和第三***底部图像进行合并，得到ADC图像***全腺体分割图像；
将所述DCE图像输入第四***全腺体分割网络，得到第四***全腺体图像，所述第四***全腺体分割网络包括第四***尖部分割网络、第四***中部分割网络和第四***底部分割网络，所述第四***尖部分割网络用于分割***MR图像得到第四***尖部图像，所述第四***中部分割网络用于分割***MR图像得到第四***中部图像，所述第四***底部分割网络用于分割***MR图像得到第四***底部图像，将所述第四***尖部图像、第四***中部图像和第四***底部图像进行合并，得到DCE图像***全腺体分割图像。
在一个具体实施例中，所述基于深度学习卷积神经网络的自动分割***全腺体的***，包括。
获取单元，用于获取样本的***MR图像；
分类单元，用于将***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；分割单元，用于将所述***尖部MR图像、***中部MR图像或***底部MR图像分别输入***尖部分割网络、***中部分割网络和***底部分割网络，得到***尖部图像、***中部图像和***底部图像，将所述***尖部图像、***中部图像和***底部图像进行图像合并，得到***全腺体分割图像。
图3是本发明实施例提供的一种基于深度学习卷积神经网络的自动分割***全腺体的设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时实现上述的基于深度学习卷积神经网络的自动分割***全腺体方法步骤。
本发明的一个目的在于提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的基于深度学习卷积神经网络的自动分割***全腺体方法步骤。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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网络单元上。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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，具体方法步骤包括：
获取样本的***MR图像；
将***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；
将所述T2WI图像输入第一***全腺体分割网络，得到第一***全腺体图像，所述第一***全腺体分割网络包括第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络；将所述DWI图像输入第二***全腺体分割网络，得到第二***全腺体图像，所述第二***全腺体分割网络包括第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络；将所述ADC图像输入第三***全腺体分割网络，得到第三***全腺体图像，所述第三***全腺体分割网络包括第三***尖部分割网络、第三***中部分割网络和第三***底部分割网络；将所述DCE图像输入第四***全腺体分割网络，得到第四***全腺体图像，所述第四***全腺体分割网络包括第四***尖部分割网络、第四***中部分割网络和第四***底部分割网络。
2.根据权利要求1中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，所述将***MR图像进行分类为将所述***MR图像输入分类器中，所述分类器基于所述***MR图像的分辨率或序列名称对***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像。
3.根据权利要求1中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，所述方法步骤还包括将***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像。
4.根据权利要求1中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，将所述***MR图像输入分类器中，所述分类器基于***解剖结构对***MR图像进行分类，将所述***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像。
5.根据权利要求1-4任意一项中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，采用分类器对***MR图像进行分类，所述分类器选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法。
6.根据权利要求1中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，所述分割网络为3D U-net分割网络。
7.根据权利要求6中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，所述3D U-net分割网络包括3-5个上采样模块和3-5个下采样模块，所述第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络为包括5个上采样模块和5个下采样模块；所述第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络为包括3个上采样模块和3个下采样模块。
8.根据权利要求1中所述的基于深度学习卷积神经网络的自动分割***全腺体方法，其特征在于，所述***尖部分割网络、***中部分割网络和***底部分割网络为预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络，所述预先训练包括：
获取训练样本的***MR图像；
对所述***MR图像进行数据增强得到数据增强处理后的***MR图像；将所述数据增强处理后***MR图像分为***尖部MR图像、***中部MR图像或***底部MR图像；
将所述***尖部MR图像、***中部MR图像或***底部MR图像分别输入***尖部分割网络、***中部分割网络和***底部分割网络，得到***尖部图像、***中部图像和***底部图像，将得到的***尖部图像、***中部图像和***底部图像与医生手动圈定的图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的***尖部分割网络、***中部分割网络和***底部分割网络。
9.根据权利要求8中所述的基于深度学***镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种。
10.一种基于深度学习卷积神经网络的自动分割***全腺体的***，其特征在于，包括：
获取单元，用于获取样本的***MR图像；
分割单元，用于将***MR图像进行分类，将所述***MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；将所述T2WI图像输入第一***全腺体分割网络，得到第一***全腺体图像，所述第一***全腺体分割网络包括第一***尖部分割网络、第一***中部分割网络和第一***底部分割网络；将所述DWI图像输入第二***全腺体分割网络，得到第二***全腺体图像，所述第二***全腺体分割网络包括第二***尖部分割网络、第二***中部分割网络和第二***底部分割网络；将所述ADC图像输入第三***全腺体分割网络，得到第三***全腺体图像，所述第三***全腺体分割网络包括第三***尖部分割网络、第三***中部分割网络和第三***底部分割网络；将所述DCE图像输入第四***全腺体分割网络，得到第四***全腺体图像，所述第四***全腺体分割网络包括第四***尖部分割网络、第四***中部分割网络和第四***底部分割网络。
11.一种基于深度学习卷积神经网络的自动分割***全腺体的设备，其特征在于，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时实现权利要求1-9任意一项所述的基于深度学习卷积神经网络的自动分割***全腺体方法步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9任意一项所述的基于深度学习卷积神经网络的自动分割***全腺体方法步骤。
CN202210096760.1A 2022-01-27 2022-01-27 基于深度学习卷积神经网络的自动分割***全腺体方法 Active CN114399501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210096760.1A CN114399501B (zh) 2022-01-27 2022-01-27 基于深度学习卷积神经网络的自动分割***全腺体方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096760.1A CN114399501B (zh) 2022-01-27 2022-01-27 基于深度学习卷积神经网络的自动分割***全腺体方法

Publications (2)

Publication Number Publication Date
CN114399501A CN114399501A (zh) 2022-04-26
CN114399501B true CN114399501B (zh) 2023-04-07

Family

ID=81232289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096760.1A Active CN114399501B (zh) 2022-01-27 2022-01-27 基于深度学习卷积神经网络的自动分割***全腺体方法

Country Status (1)

Country Link
CN (1) CN114399501B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619810B (zh) * 2022-12-19 2023-10-03 中国医学科学院北京协和医院 一种***分区分割方法、***及设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008992B (zh) * 2019-02-28 2023-04-11 合肥工业大学 一种用于***癌辅助诊断的深度学习方法
CN110188792B (zh) * 2019-04-18 2023-09-08 万达信息股份有限公司 ***mri三维图像的图像特征获取方法
CN112545479B (zh) * 2019-09-26 2022-08-16 北京赛迈特锐医疗科技有限公司 在mpMRI上分割***和精囊分带解剖的***及方法
TWI709147B (zh) * 2019-10-16 2020-11-01 中國醫藥大學附設醫院 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統
CN111275714B (zh) * 2020-01-13 2022-02-01 武汉大学 一种基于注意力机制的3d卷积神经网络的***mr图像分割方法
CN112508973A (zh) * 2020-10-19 2021-03-16 杭州电子科技大学 一种基于深度学习的mri图像分割方法
CN113570627B (zh) * 2021-07-02 2024-04-16 上海健康医学院 深度学习分割网络的训练方法及医学图像分割方法

Also Published As

Publication number Publication date
CN114399501A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
US11823046B2 (en) Identifying subject matter of a digital image
US20210110196A1 (en) Deep Learning Network for Salient Region Identification in Images
CN110506278B (zh) 隐空间中的目标检测
CN111524106B (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN112116605B (zh) 一种基于集成深度卷积神经网络的胰腺ct图像分割方法
Krishnakumar et al. RETRACTED ARTICLE: Effective segmentation and classification of brain tumor using rough K means algorithm and multi kernel SVM in MR images
CN109409416A (zh) 特征向量降维方法和医学图像识别方法、装置及存储介质
CN110263801B (zh) 图像处理模型生成方法及装置、电子设备
CN112820399A (zh) 自动诊断甲状腺结节良恶性的方法及装置
CN114140465B (zh) 基于宫颈细胞切片图像的自适应的学习方法和学习***
US20230051951A1 (en) Method for training image processing model
Viji et al. Modified texture based region growing segmentation of MR brain images
Hesamian et al. Synthetic CT images for semi-sequential detection and segmentation of lung nodules
Ansari et al. Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network
CN115298702A (zh) 用于哺乳动物迁移学习的***和方法
CN114399501B (zh) 基于深度学习卷积神经网络的自动分割***全腺体方法
Gheorghiță et al. Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data
CN116884597A (zh) 基于自监督预训练和多示例学习的病理图像乳腺癌分子分型方法及***
Jain et al. Brain Tumor Detection using MLops and Hybrid Multi-Cloud
Guo et al. Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation
Devi et al. Brain tumour detection with feature extraction and tumour cell classification model using machine learning–a survey
CN113920100A (zh) 基于知识蒸馏的弱监督骨扫描图像热点分割方法及***
Shekerbek et al. APPLICATION OF MATHEMATICAL METHODS AND MACHINE LEARNING ALGORITHMS FOR CLASSIFICATION OF X-RAY IMAGES.
Kovalev et al. Automatic detection of pathological changes in chest X-ray screening images using deep learning methods
Mulimani et al. A proposed model for the implementation of cloud based decision support system for diagnosis of breast cancer using digital mammograms

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