CN116309558A - 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质 - Google Patents

一种食管黏膜IPCLs血管区域分割方法、设备及存储介质 Download PDF

Info

Publication number
CN116309558A
CN116309558A CN202310551062.0A CN202310551062A CN116309558A CN 116309558 A CN116309558 A CN 116309558A CN 202310551062 A CN202310551062 A CN 202310551062A CN 116309558 A CN116309558 A CN 116309558A
Authority
CN
China
Prior art keywords
blood vessel
result
vascular
data set
segmentation model
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
Application number
CN202310551062.0A
Other languages
English (en)
Other versions
CN116309558B (zh
Inventor
胡兵
袁湘蕾
曾宪晖
刘伟
刘瑞德
林怡秀
罗奇
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.)
Xiamen Yinnuo Medical Technology Co ltd
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202310551062.0A priority Critical patent/CN116309558B/zh
Publication of CN116309558A publication Critical patent/CN116309558A/zh
Application granted granted Critical
Publication of CN116309558B publication Critical patent/CN116309558B/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种食管黏膜IPCLs血管区域分割方法、设备及存储介质，主要解决现有技术中存在的ME‑NBI图像周围对比度较大，血管边界模糊，网络学习时候的特征关注度不够，且不同尺寸的上采样块对分割结果贡献不同的问题。该一种食管黏膜IPCLs血管区域分割方法包括获取数据集，对数据集预处理;构建初始分割模型,用预处理后的数据集训练初始分割模型；初始分割模型输出血管分割结果P和血管轮廓结果C；初始分割模型对血管分割结果P和血管轮廓结果C进行一致性校验后，输出血管分割结果；输入待预测的数据，得到血管分割结果。通过上述方案，本发明达到了提高血管区域特征分割的准确率。

Description

一种食管黏膜IPCLs血管区域分割方法、设备及存储介质
技术领域
本发明涉及深度学习的图像处理技术领域，具体地说，是涉及一种食管黏膜IPCLs血管区域分割方法、设备及存储介质。
背景技术
食管癌是威胁人类健康的主要恶性肿瘤之一，为我国死亡率第4位、发病率第6位的恶性肿瘤，病例数占全世界一半。早期食管癌患者手术治疗后5年生存率可达90%以上，而进展期食管癌患者外科术后5年生存率不足20%；研究显示，早期食管癌的上皮***内毛细血管袢（intrapapillary capillary loops，IPCLs）与血管深度密切相关，采用窄带成像（ME-NBI）对IPCLs进行识别与分型有助于判断早期食管癌浸润深度。
目前采用人工和人工智能(Artificial intelligence, AI)两种方式识别食管癌浸润深度；人工受临床医生大量精细观察造成的疲劳、疏漏、经验不足等影响；AI方式都是通过改进损失函数或者仅利用卷积来通道和空间两个维度来关注血管。但是传统通道和空间注意力机制仅通过卷积来实现组织的学习，但是ME-NBI图像周围对比度较大，血管边界模糊，网络学习时候的特征关注度不够，且不同尺寸的上采样块对分割结果贡献不同。
发明内容
本发明的目的在于提供一种食管黏膜IPCLs血管区域分割方法、设备及存储介质，能充分利用上皮***内毛细血管IPCL的轮廓信息，利用可形变卷积来增强特征学习，并且分别将空间像素点以及通道特征作为查询语句进行上下文建模，自适应地整合局部特征和全局依赖，扩大特征感受野，提取和结合丰富特征，利用血管边界来对血管进行一致性约束，保障血管边缘分割的准确性，用于准确分割IPCLs不同血管。
本发明提供如下技术方案：
一方面，一种食管黏膜IPCLs血管区域分割方法
获取数据集，对数据集预处理;
构建初始分割模型,用预处理后的数据集训练初始分割模型；
初始分割模型输出血管分割结果P和血管轮廓结果C；
初始分割模型对血管分割结果P和血管轮廓结果C进行一致性校验后，输出血管分割结果；
输入待预测的数据，得到血管分割结果。
在较佳的实施例中，获取数据集，对数据集预处理包括:数据集的数据为食管癌血管数据,预处理包括对食管癌血管数据设置标签后,进行归一化和增广处理。
在较佳的实施例中，初始分割模型包括：下采样层、上采样层、血管形态感知模块、预测聚合模块、一致性校验模块。
在较佳的实施例中，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：预处理后的数据集进入下采样层提取特征后，进入血管形态感知模块得到血管感知特征；血管形态感知模块包括空间注意力机制模块和信道注意力模型。
在较佳的实施例中，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：血管感知特征进入上采样层提取体征后，进入预测聚合模块输出血管分割结果P和血管轮廓结果C；预测聚合模块将不同的上采样特征同步至同样大小的特征维度进行逐元素相加得到全局特征A，全局特征A分别经过最大池化分支、平均池化分支和可形变ROI池化分支后得到的各元素，逐元素相加后经过Sigmoid后全局特征A相乘后得到输出血管分割结果P和血管轮廓结果C输出。
在较佳的实施例中，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：血管分割结果P和血管轮廓结果C进入一致性校验模块，一致性校验模块将血管分割结果P利用距离变化函数进行轮廓提取得到轮廓变量
Figure SMS_1
，然后利用距离变化函数进行一致性检验。
在较佳的实施例中，一致性检验的具体过程包括：血管分割结果P利用距离变化形成轮廓变量
Figure SMS_2
，其中在像素点v的轮廓变量/>
Figure SMS_3
计算结果为：/>
Figure SMS_4
其中，
Figure SMS_5
为在食管黏膜IPCLs血管内的像素点v，/>
Figure SMS_6
为食管黏膜IPCLs边界，/>
Figure SMS_7
，/>
Figure SMS_8
为图像像素；
然后轮廓变量
Figure SMS_9
和血管轮廓结果C进行一致性检验，边界一致性检验损失函数
Figure SMS_10
为：/>
Figure SMS_11
其中
Figure SMS_12
为哈达玛积；血管分割结果P和血管轮廓结果C均利用联合损失函数dice和交叉熵损失函数来训练初始分割模型。
在较佳的实施例中，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：通过一致性校验后输出血管分割结果
Figure SMS_13
为：/>
Figure SMS_14
其中，
Figure SMS_15
是像素/>
Figure SMS_16
是否是血管的概率。
一方面，一种电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，以实现一种食管黏膜IPCLs血管区域分割方法。
一方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，以实现一种食管黏膜IPCLs血管区域分割方法。
与现有技术相比，本发明具有以下有益效果：
（1）本发明利用可形变卷积自适应地在空间和通道维度上模拟病灶形态的相互依赖性，并且在上采样模块利用预测聚合模块来得到模型的输出，最后利用轮廓边界一致性检验约束病灶分割，从而提高分割的有效性，从而量化食管黏膜IPCLs血管形态分布，从而医生提供评判的依据。
（2）本发明在空间注意力模块利用可形变卷积来增大学***均池化、可形变ROI池化三个方面出发，有效的聚合每一个上采样块的空间信息和位置信息，从而获得更准确的特征，进而提高分割的准确率。
（3）本发明构建多目标学习来学习边界和血管，并且利用距离变化函数来对血管进行边界计算，最后利用两个边界进行一致性约束，从而保证血管边界的准确性; 本发明输出两个分支一为血管分割结果P和二为血管轮廓结果C,两者一致性校验后，输出血管分割结果;能更准确的识别血管。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明的原理框图。
图2为血管形态感知模块的框架示意图。
图3为预测聚合模块的框架示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合图1至图3对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
实施例一
如图1至图3所示，一种食管黏膜IPCLs血管区域分割方法包括如下步骤：
步骤一、获取数据集；
步骤二、数据预处理；
步骤三、构建由卷积、上采样层、下采样层、最大池化层、跨层连接结构、批量归一化层构成的基于形态感知和一致性校验的食管黏膜IPCLs血管区域分割方法模型；
步骤四、对自适应感知网络模型进行训练及评判；
步骤五、利用步骤一～步骤四构建好的自适应感知网络模型进行食管黏膜IPCLs血管的自动分割和量化。
其中，步骤一中，数据集包括食管癌血管数据，对于每一例食管癌血管数据均需要手动设置标签；对原始食管癌血管数据进行读取并进行归一化处理。
其中，步骤三中，下采样层采用ReLU作为激活函数，上采样层采用双线性插值。
分割模型的具体构建过程如下：
步骤1：将原始食管癌血管数据通过数据增广，送入下采样层。
步骤2：在下采样层中对数据进行卷积、批量归一化、最大池化操作，从而获得最大感受野。
步骤3：在每个下采样模块中获得的特征，送入病灶形态感知模块。
步骤4：病灶形态感知模块是自适应地在空间和通道维度上模拟病灶形态的相互依赖性。位置注意力模块通过所有位置的特征的加权和来选择性地聚集每个位置的特征。通道关注模块通过整合所有通道映射中的相关特征来选择性地强调相互依赖的频道映射。将两个注意力模块的输出相加，以进一步改善特征表示。首先下采样特征卷积后分别送入空间注意力机制模块（该模块将卷积后的特征E分别送入三个分支，第一个分支为可形变卷积和1×1卷积，然后在重构矩阵和转置矩阵和经过可形变卷积和1×1卷积处理的重构矩阵第二个分支输出相乘在经过SoftMax得到注意力矩阵R，第三个分支经过1×1卷积后重构矩阵后与注意力矩阵R相乘后在与特征E相乘得到空间位置上的病灶形状感知）和信道注意力模型（该模块将卷积后的特征E分别送入三个分支，第一个分支做重构矩阵和转置矩阵，第二个分支做重构矩阵，并将两个分支的特征图相乘，在经过Softmax得到信道注意力矩阵X，然后将信道注意力矩阵X与重构后的E做矩阵乘法，再乘以尺度系数，然后重构为原先形状后在与E相乘得到输出的病灶通道感知。）
步骤4：将下采样层和病灶形态感知模块中获取到的特征送入上采样层，在上采样层使用双线性插值的方法对每个点进行插值，然后进行卷积、最大池化操作来完成上采样。
步骤5：四个下采样层和上采样层形成一个U形的形状，且U形的下采样边通过跨层连接结构与上采样边对称拼接。
步骤6：对四个上采样模块，本发明提出一个预测聚合模块。该模块将不同上采样模块上采样至同样大小的特征维度进行逐元素相加得到全局特征A，分别经过最大池化分支（该分支为全局最大池化，1×1卷积，ReLu激活函数和1×1卷积组合）和平均池化分支（该分支为全局平均池化，1×1卷积，ReLu激活函数和1×1卷积组合）后逐元素相加后经过Sigmoid后全局特征A相乘后得到输出。
步骤7：每一个子块经过四个下采样层和上采样层后，最后输出层有两个分支，一个分支为血管分割结果，另外一个分支计算血管轮廓结果P，将血管分割结果的分支进行轮廓提取C，利用距离变化函数进行一致性检验。血管分割的分支利用距离变化形成轮廓变量
Figure SMS_17
，计算结果如下：
Figure SMS_18
这里，
Figure SMS_19
为血管分割结果内部，/>
Figure SMS_20
，/>
Figure SMS_21
为图像像素。然后轮廓分量和血管轮廓结果进行一致性检验，一致性检验损失函数/>
Figure SMS_22
为：
Figure SMS_23
其中
Figure SMS_24
为哈达玛积。
两个分支均利用联合损失函数来训练多目标模型，其中dice系数的激活函数定义如下：
Figure SMS_25
其中，
Figure SMS_26
表示预测结果，/>
Figure SMS_27
表示标注图；
另外一个交叉熵损失函数
Figure SMS_28
，该函数定义如下：
Figure SMS_29
其中，K表示类别数量，
Figure SMS_30
表示符号函数（0或1），如果样本i属于真实类别k取1，否则取0，/>
Figure SMS_31
为像素点i属于类别k的概率，N为图像像素点总和。
步骤8：在训练后的模型预测上，计算输出血管分割结果，其中，
Figure SMS_32
是像素/>
Figure SMS_33
是否是血管的概率，计算公式如下：
Figure SMS_34
步骤四具体包括如下步骤：
步骤41、数据增广；
步骤42、网络训练；
步骤43、模型评价。
其中，步骤41中，采用随机裁剪（256中取 224）、水平翻转、颜色增强等预处理方法对食管癌血管分割进行增广操作。
其中，步骤42中，将增广后的食管癌血管通过数据增广方法，送入分割模型中，网络设置学习率为0.001，学习率每经过20个学习迭代之后衰减十倍，卷积权值使用高斯分布初始化，一次训练批次设置为16，学习迭代次数为200，网络训练采用BP反馈传播算法来计算梯度并更新权值，网络学习针对每个批次更新一次参数，每一次迭代学习之后，分割模型判断分割的评价结果，如果当前误差小于上一个迭代的误差，就保存当前分割模型，然后继续训练，直到达到最大迭代次数。
其中，步骤43中，利用联合损失和一致性验证损失进行衡量，保存评价指标最优的分割模型。
实施例二
一种电子设备包括处理器和存储器，存储器中存储有计算机程序，处理器执行计算机程序，以实现一种食管黏膜IPCLs血管区域分割方法；该电子设备包括处理器和存储器，存储器中存储有计算机程序，处理器和存储器通过通信总线实现通信，处理器执行该计算机程序，以实现上述实施例中方法的各步骤，在此不再赘述。
存储器可以包括但不限于随机存取存储器(RAM)，只读存储器(ROM)，可编程只读存储器(PROM)，可擦除只读存储器(EPROM)，电可擦除只读存储器(EEPROM)等。
实施例三
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，以实现一种食管黏膜IPCLs血管区域分割方法；可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD 卡、MMC卡等，在该计算机存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例中方法的各步骤，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，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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（可以是个人计算机，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。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
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所述以权利要求的保护范围为准。

Claims (10)

1.一种食管黏膜IPCLs血管区域分割方法，其特征在于，
获取数据集，对数据集预处理;
构建初始分割模型,用预处理后的数据集训练初始分割模型；
初始分割模型输出血管分割结果P和血管轮廓结果C；
初始分割模型对血管分割结果P和血管轮廓结果C进行一致性校验后，输出血管分割结果；
输入待预测的数据，得到血管分割结果。
2.根据权利要求1所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，获取数据集，对数据集预处理包括:数据集的数据为食管癌血管数据,预处理包括对食管癌血管数据设置标签后,进行归一化和增广处理。
3.根据权利要求1所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，初始分割模型包括：下采样层、上采样层、血管形态感知模块、预测聚合模块、一致性校验模块。
4.根据权利要求3所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：预处理后的数据集进入下采样层提取特征后，进入血管形态感知模块得到血管感知特征；血管形态感知模块包括空间注意力机制模块和信道注意力模型。
5.根据权利要求4所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：血管感知特征进入上采样层提取体征后，进入预测聚合模块输出血管分割结果P和血管轮廓结果C；预测聚合模块将不同的上采样特征同步至同样大小的特征维度进行逐元素相加得到全局特征A，全局特征A分别经过最大池化分支、平均池化分支和可形变ROI池化分支后得到的各元素，逐元素相加后经过Sigmoid后全局特征A相乘后得到输出血管分割结果P和血管轮廓结果C输出。
6.根据权利要求1所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：血管分割结果P和血管轮廓结果C进入一致性校验模块，一致性校验模块将血管分割结果P利用距离变化函数进行轮廓提取得到轮廓变量
Figure QLYQS_1
，然后利用距离变化函数进行一致性检验。
7.根据权利要求6所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，一致性检验的具体过程包括：血管分割结果P利用距离变化形成轮廓变量
Figure QLYQS_2
，其中在像素点v的轮廓变量/>
Figure QLYQS_3
的计算结果为：/>
Figure QLYQS_4
其中，
Figure QLYQS_5
为在食管黏膜IPCLs血管内的像素点v，/>
Figure QLYQS_6
为食管黏膜IPCLs边界，/>
Figure QLYQS_7
，/>
Figure QLYQS_8
为图像像素；
然后轮廓变量
Figure QLYQS_9
和血管轮廓结果C进行一致性检验，边界一致性检验损失函数/>
Figure QLYQS_10
为：/>
Figure QLYQS_11
其中
Figure QLYQS_12
为哈达玛积；血管分割结果P和血管轮廓结果C均利用联合损失函数dice和交叉熵损失函数来训练初始分割模型。
8.根据权利要求1所述的一种食管黏膜IPCLs血管区域分割方法，其特征在于，构建初始分割模型,用预处理后的数据集训练初始分割模型包括：通过一致性校验后输出血管分割结果
Figure QLYQS_13
为：/>
Figure QLYQS_14
其中，
Figure QLYQS_15
是像素/>
Figure QLYQS_16
是否是血管的概率。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，以实现如权利要求1-8任一种所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，以实现如权利要求1-8任一种所述的方法。
CN202310551062.0A 2023-05-16 2023-05-16 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质 Active CN116309558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310551062.0A CN116309558B (zh) 2023-05-16 2023-05-16 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310551062.0A CN116309558B (zh) 2023-05-16 2023-05-16 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116309558A true CN116309558A (zh) 2023-06-23
CN116309558B CN116309558B (zh) 2023-07-28

Family

ID=86803495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310551062.0A Active CN116309558B (zh) 2023-05-16 2023-05-16 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116309558B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210166379A1 (en) * 2019-11-30 2021-06-03 Ai Metrics, Llc Systems and methods for lesion analysis
CN113205538A (zh) * 2021-05-17 2021-08-03 广州大学 基于CRDNet的血管图像分割方法及装置
CN113706533A (zh) * 2021-10-28 2021-11-26 武汉大学 图像处理方法、装置、计算机设备及存储介质
CN114022491A (zh) * 2021-10-27 2022-02-08 安徽医科大学 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法
CN114494247A (zh) * 2022-04-01 2022-05-13 武汉大学 齿状线分割方法、装置、计算机设备及存储介质
CN115471470A (zh) * 2022-09-14 2022-12-13 安徽大学 一种食管癌ct图像分割方法
CN115564741A (zh) * 2022-10-18 2023-01-03 四川大学华西医院 基于ct图像量化食管胃底静脉曲张的装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210166379A1 (en) * 2019-11-30 2021-06-03 Ai Metrics, Llc Systems and methods for lesion analysis
CN113205538A (zh) * 2021-05-17 2021-08-03 广州大学 基于CRDNet的血管图像分割方法及装置
CN114022491A (zh) * 2021-10-27 2022-02-08 安徽医科大学 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法
CN113706533A (zh) * 2021-10-28 2021-11-26 武汉大学 图像处理方法、装置、计算机设备及存储介质
CN114494247A (zh) * 2022-04-01 2022-05-13 武汉大学 齿状线分割方法、装置、计算机设备及存储介质
CN115471470A (zh) * 2022-09-14 2022-12-13 安徽大学 一种食管癌ct图像分割方法
CN115564741A (zh) * 2022-10-18 2023-01-03 四川大学华西医院 基于ct图像量化食管胃底静脉曲张的装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUOHENG HUANG 等: ""Channel-Attention U-Net: Channel Attention Mechanism for Semantic Segmentation of Esophagus and Esophageal Cancer"", 《IEEE》, pages 122798 - 122809 *
YAO ZHOU 等: ""Evolutionary Neural Architecture Search for Automatic Esophageal Lesion Identification and Segmentation"", 《IEEE》, pages 436 - 450 *
YUE FU 等: ""Efficient Esophageal Lesion Detection using Polarization Regularized Network Slimming"", 《IEEE》, pages 46 - 52 *
严萍 等: ""人工智能在浅表食管鳞状细胞癌及癌前病变内镜诊断中的应用进展"", 《中国胸心血管外科临床杂志》, vol. 29, no. 9, pages 1217 - 1222 *

Also Published As

Publication number Publication date
CN116309558B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN107203999B (zh) 一种基于全卷积神经网络的皮肤镜图像自动分割方法
CN106339998B (zh) 基于对比度金字塔变换的多聚焦图像融合方法
CN112132833B (zh) 一种基于深度卷积神经网络的皮肤病图像病灶分割方法
CN110188792A (zh) ***mri三维图像的图像特征获取方法
CN105825509A (zh) 基于3d卷积神经网络的脑血管分割方法
CN111161275A (zh) 医学图像中目标对象的分割方法、装置和电子设备
CN113744178B (zh) 一种基于卷积注意力模型的皮肤病变分割方法
CN110175998A (zh) 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质
CN117078692B (zh) 一种基于自适应特征融合的医疗超声图像分割方法及***
CN112819831B (zh) 基于卷积Lstm及多模型融合的分割模型生成方法及装置
CN113506308A (zh) 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法
CN113112559A (zh) 一种超声图像的分割方法、装置、终端设备和存储介质
CN111784701A (zh) 结合边界特征增强和多尺度信息的超声图像分割方法及***
CN111260670B (zh) 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及***
CN114511581B (zh) 一种多任务多分辨率协作的食管癌病变分割方法及装置
CN113781488A (zh) 舌象图像的分割方法、装置及介质
CN116258933A (zh) 基于全局信息感知的医学图像分割装置
CN115018863A (zh) 基于深度学习的图像分割方法及装置
CN117409030B (zh) 基于动态管状卷积的octa图像血管分割方法及其***
Kaur et al. Human skin texture analysis using image processing techniques
CN116309558B (zh) 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质
CN111325756A (zh) 基于深度学习网络的三维影像动静脉分割方法及***
CN116309551A (zh) 确定病灶取样区的方法、装置、电子设备及可读介质
CN112102327A (zh) 一种图像处理方法、装置及计算机可读存储介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质

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
TR01 Transfer of patent right

Effective date of registration: 20240518

Address after: Unit 203-2, No. 55 Chengyi North Street, Software Park Phase III, Xiamen Torch High tech Zone, Xiamen, Fujian Province, 361024

Patentee after: Xiamen yinnuo Medical Technology Co.,Ltd.

Country or region after: China

Address before: No.37 Guoxue lane, Wuhou District, Chengdu, Sichuan 610047

Patentee before: WEST CHINA HOSPITAL OF SICHUAN University

Country or region before: China

TR01 Transfer of patent right