CN115294104A - 基于三维脑部ct图像的脑中线预测模型、方法及装置 - Google Patents
基于三维脑部ct图像的脑中线预测模型、方法及装置 Download PDFInfo
- Publication number
- CN115294104A CN115294104A CN202211187343.4A CN202211187343A CN115294104A CN 115294104 A CN115294104 A CN 115294104A CN 202211187343 A CN202211187343 A CN 202211187343A CN 115294104 A CN115294104 A CN 115294104A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- dimensional
- extraction
- prediction
- 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.)
- Granted
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本方案提供一种基于三维脑部CT图像的脑中线预测模型、方法及装置,脑中线预测模型包括由多层提取层组成的编码网络以及多层重构层组成的解码网络,三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图,且使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束,解码网络得到的最终解码特征图经历预测层得到脑中线预测结果,最后一层提取层输出的特征提取图经历均值池化、Flatten和全联接网络后得到层级预测结果。可实现端到端的基于三维脑部CT图像的脑中线的预测,解决脑中线预测在三维场景下存在的不连贯、不平滑的现象。
Description
技术领域
本申请涉及图像识别领域,特别涉及一种基于三维脑部CT图像的脑中线预测模型、方法及装置。
背景技术
脑中线在正常健康的大脑中是一条用于分割左右脑的直线,然而比如创伤性脑损伤、中风以及脑肿瘤等各种病理条件会破坏左右脑的对称性,进而实现脑中线的移位或者偏移。医疗人员可通过对脑中线位置和形态的判断,进而实现各类脑疾病进行预测和诊断。
目前市面上脑中线的预测主要有三种方式:
1)通过将扭曲的脑中线分成三段、获取中间段曲线并将其拟合成二次贝塞尔曲线,再根据局部对称的原则连接拟合后的三个部分得到,这种方式无疑预测出来的脑中线的精度和准确度都欠佳。
2)使用二维的U型卷积神经网络对二维图像的脑中线进行预测,或者在二维的分割网络架构上进行调整或者加入一些后处理的中线激活方式,这种方式并未考虑到三维空间的连续性,依旧会存在脑中线预测失真的情况。
换言之,目前大部分针对脑中线的预测依旧是对二维图像进行预测,这就导致预测得到的脑中线在还原至三维空间中失真,进而影响到脑中线的预测结果准确度。
发明内容
本申请方案提供一种基于三维脑部CT图像的脑中线预测模型、方法及装置,可实现端到端的基于三维脑部CT图像的脑中线的预测,解决脑中线预测在三维场景下存在的不连贯、不平滑的现象。
为实现以上目的,本技术方案提供一种基于三维脑部CT图像的脑中线预测模型的构建方法,包括:获取至少一三维脑部CT图像,标记所述三维脑部CT图像中的脑中线得到标记区域,并在三维脑部CT图像的深度方向对所述标记区域进行扩张得到标记数据;标记有所述标记数据的三维脑部CT图像作为训练样本输入到脑中线预测模型中进行训练:所述脑中线预测模型包括由多层提取层组成的编码网络以及多层重构层组成的解码网络,所述三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图,最后一层提取层输出的特征提取图在所述重构层内进行重构后和同层级的特征提取图融合得到第一解码特征图,第一解码特征图输入上一层级的重构层进行重构并和同层级的特征提取图进行融合得到第二解码特征图,依层级遍历所有重构层后得到最终解码特征图;使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束,所述最终解码特征图经历预测层得到脑中线预测结果,最后一层提取层输出的特征提取图经历均值池化、Flatten和全联接网络后得到层级预测结果。
第二方面,本技术方案提供了一种基于三维脑部CT图像的脑中线预测模型,根据基于三维脑部CT图像的脑中线预测模型的构建方法构建得到。
第三方面,本技术方案提供了一种基于三维脑部CT图像的脑中线预测方法,包括以下步骤:将未知脑中线的三维脑部CT图像输入训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
第四方面,本方案提供一种基于三维脑部CT图像的脑中线预测装置,包括以下:待测图像获取单元,用于获取未知脑中线的三维脑部CT图像;预测单元,用于将未知脑中线的三维脑部CT图像输入到训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
第五方面,本方案提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括所述的基于三维脑部CT图像的脑中线预测模型的构建方法或基于三维脑部CT图像的脑中线预测方法。
相较现有技术,本技术方案具有以下特点和有益效果:
不同于传统技术对二维图像的脑中线进行预测的方案,本方案可实现端到端的对三维脑部CT图像进行脑中线的精准预测,为了实现对三维模型的脑中线的预测,本方案对标记数据在深度方向进行扩张,另外本方案采用了自蒸馏的方式使模型可以利用网络前层的信息监督后层的学习,保留细节信息的作用。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本方案的基于三维脑部CT图像的脑中线预测方法的流程示意图;
图2是偏转角扭转网络设计网络示意图;
图3是基于三维脑部CT图像的脑中线预测模型的示意图;
图4是多尺度融合模块的示意图;
图5是本方案的基于三维脑部CT图像的脑中线预测装置的结构示意图;
图6是实现本方案的步骤的电子装置的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请方案提供了一种基于三维脑部CT图像的脑中线预测模型的构建方法,可实现端到端地对三维脑部CT图像的脑中线进行预测,包括以下步骤:
获取至少一三维脑部CT图像,标记所述三维脑部CT图像中的脑中线得到标记区域,并在三维脑部CT图像的深度方向对所述标记区域进行扩张得到标记数据;
标记有所述标记数据的三维脑部CT图像作为训练样本输入到脑中线预测模型中进行训练:所述脑中线预测模型包括由多层提取层组成的编码网络以及多层重构层组成的解码网络,所述三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图,最后一层提取层输出的特征提取图在所述重构层内进行重构后和同层级的特征提取图融合得到第一解码特征图,第一解码特征图输入上一层级的重构层进行重构并和同层级的特征提取图进行融合得到第二解码特征图,依层级遍历所有重构层后得到最终解码特征图;使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束,所述最终解码特征图经历预测层得到脑中线预测结果,最后一层提取层输出的特征提取图经历均值池化、Flatten和全联接网络后得到层级预测结果。
为了保证训练样本的质量,本方案对获取的三维脑部CT图像进行图像预处理以及偏移角扭正处理,以获取统一尺寸以及位置正确的三维脑部CT图像。
具体的,在“获取至少一三维脑部CT图像”步骤中,获取的三维脑部CT图像为经图像预处理后且脑中线处于正中位置。
对应的,在“获取至少一三维脑部CT图像”步骤之前包括步骤:
获取经图像预处理后的初始三维脑部CT图像,将所述初始三维脑部CT图像输入到偏移角预测模型中进行预测得到偏移角矩阵,基于所述偏移角矩阵对所述初始三维脑部CT图像进行扭正,得到脑中线位于正中位置的三维脑部CT图像。
具体的,图像预处理的步骤包括:调整三维脑部CT图像的窗宽窗位后进行归一化处理。值得一提的是,CT图像的窗宽窗位的选择在一定程度上影响对不同组织结构的观察,为了便于对脑部内部的组织结构进行观察,本方案将三维脑部CT图像的窗宽窗位的HU值截取至35~100之间的范围,并调整到0~255之间。调整后的CT图像充分利用了0~255间显示的有效阈值,并且可以突出显示脑组织区域。
将脑中线扭正至处于正中位置的目的在于:防止极端的情况下,患者脑部扫描时摆放的姿势不正确,导致图像的距离和、角度偏移较大或者有较为严重的扭曲图像预测的结果。传统的方式是对三维脑部CT图像拆分为二维图像后对每一层进行预测得到偏移角,并对每一层二维图像使用对应的偏移角进行扭正,这样存在的弊端在于由于:在脑部存在病变的患者中,病灶使脑部的区域偏移和实际的偏移量有一定的距离,进而导致扭正后的图像偏移真实情况。
如图2所示,故本方案是直接利用三维脑部CT图像训练偏移角预测模型,以使其可以直接对三维脑部CT图像进行预测得到偏移角矩阵,训练数据的预处理方式是基于偏移角矩阵中每一层CT图像的中线的偏移均值和旋转角度求取均值作为偏移角,取不同层CT图像的中线相交的中心作为扭正中线点进行训练,预测时是使用模型输出的偏移矩阵对三维脑部CT图像进行扭正。具体的,偏移角预测模型的构建方式如下:
训练样本的构建:
选取标记脑中线以及偏移角度的三维脑部CT图像作为训练样本;
训练偏移角预测模型:
使用轻量级的3D Resnet网络作为主干网络,将训练样本输入到主干网络中进行训练并最小化L2损失。
在实际测试时,将三维脑部CT图像输入到偏移角预测模型中的得到偏移角矩阵,其中偏移角矩阵为不同层的中线水平方向位移、竖直方向位移以及旋转角度组成。基于每一层的中线水平方向位移、竖直方向位移以及旋转角度计算每一层中线的偏移均值以及旋转角度均值,取不同层CT图像的中线相交的中心作为扭正中线点,三维脑部CT图像依据相同的偏移角进行扭正。
另外,特别值得一提的是,本方案对标记的脑中线进行处理以使得模型的容错率更高。具体的,在“标记所述三维脑部CT图像中的脑中线得到标记区域”步骤中,计算标记区域的连通域面积并保留最大连通域面积对应的标记区域,这样做的好处在于可以去除标记过程中产生的噪点。
另外,由于传统的脑中线标记区域在深度方向上仅有几个像素点,这样会导致模型无法很好地预测深度信息,故本方案可人为地在深度方向上扩张所述标记区域,以提高模型的容错率。扩张的方式为在标记点的相同的水平层面对x取左右两个坐标的像素点的扩张。示例性的,本方案将原始标记点的坐标(x, y)在同一水平线扩展到(x-1,y),(x,y),(x+1,y)。
本方案优化改进了脑中线预测模型,使其可以端到端地对三维脑部CT图像进行预测,得到脑中线预测结果以及层级预测结果,其中所述脑中线预测结果显示的是预测得到的脑中线,所述层级预测结果显示的是三维脑部CT图像的哪一层有脑中线。
具体的,脑中线预测模型的结构如图3所示。在“所述三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图”步骤中,所述编码网络包括多层提取层,三维脑部CT图像输入到所述编码网络中的第一层级提取层进行特征提取得到第一特征提取图,第一特征提取图输入到下一层提取层中进行特征提取得到第二特征提取图,自上而下的层级遍历所有提取层后得到对应层级提取层的特征提取图。
本方案的编码网络的提取层的层级数量同于所述解码网络的重构层的层级数量,以使得每一层重构层都有对应的特征提取层,且所述编码网络中的提取层自上而下依次布置,所述解码网络中的重构层自下而上依次布置。最后一层提取层输出的特征提取图在经历第一重构层的重构后和同一层级的特征提取图融合得到第一解码特征图。
示例性的,第i层提取层提取的特征提取图作为第i+1层提取层的输入,直到遍历第j层得到特征提取图;第j层输出的特征提取图输入到第i层重构层进行重构后和第j+1-i个特征提取图进行融合,得到第i个解码特征图,直到遍历第j层得到解码特征图。
另外,由于脑中线只存在于三维脑部CT图像的某几层,为了能够判断三维脑部CT图像的哪一层有脑中线的输出,本方案在编码网络之后添加池化层、Flatten层以及全联接网络,最后一层的提取层输出的特征提取图依次经历池化层的均值池化、Flatten和全联接网络的处理后得到二值编码矩阵,所述二值编码矩阵作为层级预测结果可用于预测哪一个层级有脑中线。如图3所示输出的二值编码矩阵为[000011...1100]矩阵,其中1所在的层级表示该层级有脑中线。这个矩阵在训练中不需要人为标注,是对Mask的z轴扫描,根据是否存在标注判断生成的矩阵。
当然更重要的是预测脑中线的脑中线预测结果,本方案的最后一层重构层输出的最终解码特征图,所述最终解码特征图经历预测层得到脑中线预测结果。另外,本方案对预测层输出的结果通过1*1*1的卷积控制输出通道数,使其和输入模型训练的图像相同尺寸的脑中线预测结果。
本方案提供的脑中线预测模型一共有四个提取层以及四个重构层,为了降低模型的宽度,本方案将模型的下采样的通道数控制在【16,32,64,128】。
另外,在“第一解码特征图输入上一层级的重构层进行重构并和同层级的特征提取图进行融合得到第二解码特征图”,编码层和解码层的特征图具有相同的宽高,在通道上将同级的编码层和解码层进行合并。
值得一提的是,本方案针对三维脑部CT图像的分割结果可能会出现的预测细节不够准确的问题,提出使用自蒸馏的方法进而使模型可以利用网络前层的信息监督后层的学习,保留细节信息的作用。
具体的,在“使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束”步骤中,多层提取层得到的多层特征提取图输入到多尺度融合模块中得到多层级的多尺度特征,多尺度特征再通过自蒸馏注意力损失的方式约束对应的特征提取图,这里是将深层的信息蒸馏出来在不同尺度进行提取融合后增强浅层信息特征的表达。
如图4所示,多尺度融合模块包括多个分支,第一分支包括3*3*3的空洞率为1的空洞卷积构成,第二分支由3*3*3的空洞率为3的空洞卷积和1*1*1的空洞率为1的空洞卷积组成,第三分支在第二分支的基础上添加3*3*3的空洞率为1的空洞卷积。
每一层级的特征提取图输入到所述多尺度融合模块的多个分支中进行多尺度的空洞卷积后得到空洞卷积特征,所述空洞卷积特征和下一层级的特征提取图经过卷积的卷积特征进行融合后得到对应该层级的多尺度特征。这样设计的好处在于:可以使局部特征学习到多尺度部分的详细信息,以减少细节特征的丢失。值得一体式的,本方案至少含有四层提取层,获取自上而下的三个提取层的特征提取图进行处理。
本方案采用的自蒸馏的方式用于将下层的信息转移到上一层的特征中,这样的机制可以让多尺度特征和特征提取图将学到的知识进行共享,并且在推理的过程中不消耗计算量。之所以在前三层利用这样的信息而未加入第四层参与到计算,是因为下采样到第四层已经缺少了很多局部细节的信息,对模型的提升不具有帮助。
在“多尺度特征再通过自蒸馏注意力损失的方式约束对应的特征提取图”步骤中,构建原始未进行多尺度融合的特征提取图和得到的多尺度特征图的映射图,将所述映射图中n个通道的特征融合降维并经过激活函数映射到一维得到激活注意力特征图,利用绝对误差进行约束。
具体的约束公式如下:
本方案的基于三维脑部CT图像的脑中线预测模型的训练的损失函数主要分为三
个部分:第一部分使用的是分割中常用的交叉熵损失,第二部分是自蒸馏损失,第三部
分是按层分类的二元交叉熵损失。本方案通过不断地训练脑中线预测模型使其损失逼近全
局最小值,继而得到可被使用的脑中线预测模型。
实施例二
本方案提供一种基于三维脑部CT图像的脑中线预测模型,通过标记有脑中线的三维脑部CT图像利用上述实施例一所述的基于三维脑部CT图像的脑中线预测模型的构建方法训练得到。
实施例三
本方案提供一种基于三维脑部CT图像的脑中线预测方法,包括以下步骤:
将未知脑中线的三维脑部CT图像输入到实施例二训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
值得说明的是,在一些实施例中,未知脑中线的三维脑部CT图像经历如实施例一所述的图像预处理以及偏移角扭正后再输入到三维脑部CT图像的脑中线预测模型中进行预测。
实施例四
如图5所示,本方案提供一种基于三维脑部CT图像的脑中线预测装置,包括以下步骤:
待测图像获取单元,用于获取未知脑中线的三维脑部CT图像;
预测单元,用于将未知脑中线的三维脑部CT图像输入到实施例二训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
实施例四
本实施例还提供了一种电子装置,参考图6,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项基于三维脑部CT图像的脑中线预测方法或基于三维脑部CT图像的脑中线预测模型的构建方法的实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种基于三维脑部CT图像的脑中线预测方法或基于三维脑部CT图像的脑中线预测模型的构建方法的实施过程。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是未知脑中线的三维脑部CT图像等,输出的信息可以是脑中线。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
获取至少一三维脑部CT图像,标记所述三维脑部CT图像中的脑中线得到标记区域,并在三维脑部CT图像的深度方向对所述标记区域进行扩张得到标记数据;
标记有所述标记数据的三维脑部CT图像作为训练样本输入到脑中线预测模型中进行训练:所述脑中线预测模型包括由多层提取层组成的编码网络以及多层重构层组成的解码网络,所述三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图,最后一层提取层输出的特征提取图在所述重构层内进行重构后和同层级的特征提取图融合得到第一解码特征图,第一解码特征图输入上一层级的重构层进行重构并和同层级的特征提取图进行融合得到第二解码特征图,依层级遍历所有重构层后得到最终解码特征图;使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束,所述最终解码特征图经历预测层得到脑中线预测结果,最后一层提取层输出的特征提取图经历均值池化、Flatten和全联接网络后得到层级预测结果。
或者:
将未知脑中线的三维脑部CT图像输入到实施例二训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、***、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于三维脑部CT图像的脑中线预测模型的构建方法,其特征在于,包括:
获取至少一三维脑部CT图像,标记所述三维脑部CT图像中的脑中线得到标记区域,并在三维脑部CT图像的深度方向对所述标记区域进行扩张得到标记数据;
标记有所述标记数据的三维脑部CT图像作为训练样本输入到脑中线预测模型中进行训练:所述脑中线预测模型包括由多层提取层组成的编码网络以及多层重构层组成的解码网络,所述三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图,最后一层提取层输出的特征提取图在所述重构层内进行重构后和同层级的特征提取图融合得到第一解码特征图,第一解码特征图输入上一层级的重构层进行重构并和同层级的特征提取图进行融合得到第二解码特征图,依层级遍历所有重构层后得到最终解码特征图;使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束,所述最终解码特征图经历预测层得到脑中线预测结果,最后一层提取层输出的特征提取图经历均值池化、Flatten和全联接网络后得到层级预测结果。
2.根据权利要求1所述的基于三维脑部CT图像的脑中线预测模型的构建方法,其特征在于,在“获取至少一三维脑部CT图像”步骤之前包括步骤:获取经图像预处理后的初始三维脑部CT图像,将所述初始三维脑部CT图像输入到偏移角预测模型中进行预测得到偏移角矩阵,基于所述偏移角矩阵对所述初始三维脑部CT图像进行扭正,得到脑中线位于正中位置的三维脑部CT图像。
3.根据权利要求2所述的基于三维脑部CT图像的脑中线预测模型的构建方法,其特征在于,基于偏移角矩阵中每一层CT图像的中线的偏移均值和旋转角度求取均值作为偏移角,取不同层CT图像的中线相交的中心作为扭正中心点,将三维脑部CT图像以所述扭正中心点为中心依据相同的偏移角进行扭正。
4.根据权利要求1所述的基于三维脑部CT图像的脑中线预测模型的构建方法,其特征在于,在“所述三维脑部CT图像依次经历多层提取层的提取得到对应层级的特征提取图”步骤中,所述编码网络包括多层提取层,三维脑部CT图像输入到所述编码网络中的第一层级提取层进行特征提取得到第一特征提取图,第一特征提取图输入到下一层提取层中进行特征提取得到第二特征提取图,自上而下的层级遍历所有提取层后得到对应层级提取层的特征提取图。
5.根据权利要求1所述的基于三维脑部CT图像的脑中线预测模型的构建方法,其特征在于,在“使用自蒸馏的方法对多层所述提取层输出的特征提取图进行约束”步骤中,多层提取层得到的多层特征提取图输入到多尺度融合模块中得到多层级的多尺度特征,多尺度特征再通过自蒸馏注意力损失的方式约束对应的特征提取图。
6.根据权利要求5所述的基于三维脑部CT图像的脑中线预测模型的构建方法,其特征在于,每一层级的特征提取图输入到所述多尺度融合模块的多个分支中进行多尺度的空洞卷积后得到空洞卷积特征,所述空洞卷积特征和下一层级的特征提取图经过卷积的卷积特征进行融合后得到对应该层级的多尺度特征。
7.一种基于三维脑部CT图像的脑中线预测模型,其特征在于,根据权利要求1到6任一所述的基于三维脑部CT图像的脑中线预测模型的构建方法构建得到。
8.一种基于三维脑部CT图像的脑中线预测方法,其特征在于,包括以下步骤:
将未知脑中线的三维脑部CT图像输入到权利要求7训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
9.一种基于三维脑部CT图像的脑中线预测装置,其特征在于,包括以下步骤:
待测图像获取单元,用于获取未知脑中线的三维脑部CT图像;
预测单元,用于将未知脑中线的三维脑部CT图像输入到权利要求7训练得到的基于三维脑部CT图像的脑中线预测模型中得到脑中线预测结果以及层级预测结果,其中脑中线预测结果显示预测得到的脑中线,层级预测结果显示三维脑部CT图像包含脑中线的图像层。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至6任一项所述的基于三维脑部CT图像的脑中线预测模型的构建方法或权利要求8所述的基于三维脑部CT图像的脑中线预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211187343.4A CN115294104B (zh) | 2022-09-28 | 2022-09-28 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211187343.4A CN115294104B (zh) | 2022-09-28 | 2022-09-28 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294104A true CN115294104A (zh) | 2022-11-04 |
CN115294104B CN115294104B (zh) | 2023-01-10 |
Family
ID=83834343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211187343.4A Active CN115294104B (zh) | 2022-09-28 | 2022-09-28 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294104B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445493A (zh) * | 2020-03-27 | 2020-07-24 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111861989A (zh) * | 2020-06-10 | 2020-10-30 | 杭州深睿博联科技有限公司 | 一种脑中线检测方法、***、终端及存储介质 |
CN112241952A (zh) * | 2020-10-22 | 2021-01-19 | 平安科技(深圳)有限公司 | 大脑中线识别方法、装置、计算机设备及存储介质 |
CN113706447A (zh) * | 2021-04-13 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 脑中线识别方法、装置、设备及存储介质 |
CN113822323A (zh) * | 2021-07-21 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 脑部扫描图像的识别处理方法、装置、设备及存储介质 |
CN114359293A (zh) * | 2021-12-10 | 2022-04-15 | 南昌大学 | 一种基于深度学习的三维mri脑肿瘤分割方法 |
US20220249060A1 (en) * | 2015-02-16 | 2022-08-11 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method for processing 3d image data and 3d ultrasonic imaging method and system |
-
2022
- 2022-09-28 CN CN202211187343.4A patent/CN115294104B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220249060A1 (en) * | 2015-02-16 | 2022-08-11 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method for processing 3d image data and 3d ultrasonic imaging method and system |
CN111445493A (zh) * | 2020-03-27 | 2020-07-24 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111861989A (zh) * | 2020-06-10 | 2020-10-30 | 杭州深睿博联科技有限公司 | 一种脑中线检测方法、***、终端及存储介质 |
CN112241952A (zh) * | 2020-10-22 | 2021-01-19 | 平安科技(深圳)有限公司 | 大脑中线识别方法、装置、计算机设备及存储介质 |
CN113706447A (zh) * | 2021-04-13 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 脑中线识别方法、装置、设备及存储介质 |
CN113822323A (zh) * | 2021-07-21 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 脑部扫描图像的识别处理方法、装置、设备及存储介质 |
CN114359293A (zh) * | 2021-12-10 | 2022-04-15 | 南昌大学 | 一种基于深度学习的三维mri脑肿瘤分割方法 |
Non-Patent Citations (3)
Title |
---|
SHANMUGAPRIYA SURVARACHAKAN ET AL: "Deep learning for image-based liver analysis — A comprehensive review focusing on malignant lesions", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
陈宇初: "面向微小结构的医学影像分割技术研究", 《万方数据》 * |
麻雯熠等: "大脑中线结构的断层解剖与三维重建研究", 《中国临床解剖学杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115294104B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理*** | |
CN110930397B (zh) | 一种磁共振图像分割方法、装置、终端设备及存储介质 | |
CN106940816B (zh) | 基于3d全卷积神经网络的ct图像肺结节检测*** | |
CN111091527B (zh) | 一种病理组织切片图像中病变区域自动检测方法及*** | |
CN111161279B (zh) | 医学图像分割方法、装置及服务器 | |
CN108764241A (zh) | 分割股骨近端的方法、装置、计算机设备和存储介质 | |
CN110838124A (zh) | 用于分割具有稀疏分布的对象的图像的方法、***和介质 | |
CN115578404B (zh) | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 | |
CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
CN112529909A (zh) | 一种基于图像补全的肿瘤图像脑区分割方法及*** | |
CN114419381B (zh) | 一种语义分割方法及应用其的道路积水检测方法和装置 | |
CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
CN114723763B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及*** | |
CN111784652B (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
CN113012164A (zh) | 基于聚合层间信息的U-Net肾脏肿瘤图像分割方法、设备及存储介质 | |
CN113920137B (zh) | ***转移预测方法、装置、设备及存储介质 | |
Ji et al. | Continual segment: towards a single, unified and accessible continual segmentation model of 143 whole-body organs in CT scans | |
CN114022480A (zh) | 基于统计与形状拓扑图的医学图像关键点检测方法和装置 | |
CN115294104B (zh) | 基于三维脑部ct图像的脑中线预测模型、方法及装置 | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估***和相关产品 | |
CN116883432A (zh) | 病灶图像的分割方法、装置、电子设备及可读存储介质 | |
CN111815569A (zh) | 基于深度学习的图像分割方法、装置、设备和存储介质 | |
Feng et al. | Improved deep fully convolutional network with superpixel-based conditional random fields for building extraction |
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 |