JP2023550844A - 深層形状学習に基づく肝臓ct自動分割方法 - Google Patents
深層形状学習に基づく肝臓ct自動分割方法 Download PDFInfo
- Publication number
- JP2023550844A JP2023550844A JP2023535617A JP2023535617A JP2023550844A JP 2023550844 A JP2023550844 A JP 2023550844A JP 2023535617 A JP2023535617 A JP 2023535617A JP 2023535617 A JP2023535617 A JP 2023535617A JP 2023550844 A JP2023550844 A JP 2023550844A
- Authority
- JP
- Japan
- Prior art keywords
- liver
- shape
- segmentation
- network
- standard
- 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.)
- Pending
Links
- 210000004185 liver Anatomy 0.000 title claims abstract description 228
- 230000011218 segmentation Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 210000000056 organ Anatomy 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 35
- 230000007547 defect Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 5
- 210000003484 anatomy Anatomy 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000012795 verification Methods 0.000 abstract description 5
- 230000003187 abdominal effect Effects 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 abstract description 2
- 201000007270 liver cancer Diseases 0.000 description 6
- 208000014018 liver neoplasm Diseases 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010200 validation analysis 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10081—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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Description
(1)原図像と肝臓分割ラベル図像とを含むCTボリュームデータを収集して前処理し、肝臓分割データの訓練セットを構築するステップと、
(2)肝臓分割ネットワークを構築し、肝臓分割ネットワークがエンコードとデコードの2つの部分で構成され、エンコード部分が4つのエンコードブロックを含み、各エンコードブロックの後に何れも1つのダウンサンプリング層が接続され、デコード部分が4つのデコードブロックを含み、各デコードブロックの前に1つのアップサンプリング層が接続され、各デコードブロックが対応するエンコードブロックによって出力される特徴図に接続され、かつ各デコードブロックによって出力される特徴図に対して1つのマッピング層が作成され、出力の大きさが何れもネットワーク入力図像と同じ大きさの図像ブロックであるステップと、
(3)ステップ(1)において肝臓分割データの訓練セットを利用して肝臓分割ネットワークを訓練し、訓練された肝臓分割ネットワークを利用して肝臓CTを粗分割するステップと、
(4)医学解剖構造特徴に適合する肝臓標準形状セットを取得し、肝臓標準形状セットに対して欠陥操作を行い、肝臓形状欠陥セットを構成し、肝臓標準形状セット及び肝臓形状欠陥セットが共に肝臓形状訓練セットを構成するステップと、
(5)三次元変分オートエンコーダを構築し、前記三次元変分オートエンコーダがエンコーダとデコーダとの2つの部分で構成され、エンコーダ部分が4つのエンコードブロックを含み、各エンコードブロックの後に1つのダウンサンプリング層が接続され、デコーダ部分が4つのデコードブロックを含み、各デコードブロックの前に1つのアップサンプリング層が接続され、デコーダの出力が1つのマッピング層によって特徴図を肝臓予測図としてマッピングするステップと、
(6)肝臓形状訓練セットを利用して三次元変分オートエンコーダを訓練し、1つの欠陥の肝臓形状を訓練された三次元変分オートエンコーダに入力し、その流形空間の隠し空間表現を取得するステップと、
(7)訓練された三次元変分オートエンコーダを幾何形状正則化モジュールとし、ステップ(2)で構築された肝臓分割ネットワークに加入し、肝臓分割ネットワークによって出力された粗分割結果及び肝臓標準分割ラベルをそれぞれ三次元変分オートエンコーダに入力し、肝臓予測形状及び標準肝臓形状の隠し空間表現を取得し、幾何形状正則化モジュールが予測形状と標準形状の隠し空間表現に対して一致性制約を行うステップと、
(8)前処理された肝臓CT図像を幾何形状正則化モジュールが加入された肝臓分割ネットワークに入力し、ネットワークによって出力された分割図像を再サンプリングして原図像サイズにアップサンプリングし、最終的な肝臓分割結果を取得するステップと、を含む。
が加算記号であり、記号∈が「属する」を表現し、肝臓分割ネットワークに対して、深層教師あり方式を採用して最終的な損失関数Lsegを4つのマッピング層の出力損失の重み和として設定し、
がネットワークに入力する肝臓形状図像を表現し、
が変分オートエンコーダによって再構成された図像を表現し、Yが対応する標準肝臓形状であり、
と
はエンコーダによって出力された長さがdの平均値ベクトルと標準差ベクトルを表現し、logが対数関数を表現し、記号
が
ノルムを表現し、
が加算記号である。
は、第k個の予測形状
を三次元変分オートエンコーダに入力して肝臓予測形状の隠し空間表現を取得することを表現し、nが肝臓データ個数であり、最終的に幾何形状正則化に制約される肝臓分割ネットワーク目標損失関数Lは、以下の通り表現し、
深層幾何形状学習過程は下記のことを含む。
肝臓形状セット確立であって、標準形状セットと肝臓欠陥セットとを含む。肝臓標準セットは、医学解剖構造特徴に適合する肝臓形状を収集し、肝臓欠陥セットは、ほとんどの肝臓領域が正しいが間違った情報が存在する肝臓形状を収集している。肝臓形状学習であって、変分オートエンコーダに基づいて特徴肝臓形状を学習し、欠陥肝臓形状を修正する。肝臓形状エンコードであって、訓練によって得られる変分オートエンコーダのエンコーダ部分で構成され、肝臓形状の流形空間緊迫表現に使用される。肝臓分割過程は下記のことを含む。肝臓分割訓練セット確立であって、原図像と肝臓分割標準データセットとで構成される。三次元肝臓分割ネットワーク訓練であって、肝臓分割データセットを利用して三次元深層畳み込みニューラルネットワークを訓練し、肝臓初期分割モデルを取得する。幾何形状正則化モジュールであって、肝臓分割ネットワークに正則化モジュールを加入し、肝臓形状隠し空間一致損失を導入する。肝臓形状予測モジュールであって、入力図像に対して肝臓領域を予測し、訓練済みの変分オートエンコーダが肝臓形状を補正する。具体的なステップは下記の通りである。
(1)肝臓分割データセットが前処理を確立する。
(1.1)CTボリュームデータを收集し、これらデータの肝臓標準分割結果を作成する。三次元CTボリュームデータをXとして記し、大きさが512×512×Lであり、ここで、Lがボリュームデータの層数である。対応する標準分割が
であり、ここで、|X|がXにおける全てのボクセル個数を代表し、yj=1またはyj=0はそれぞれボクセルjが肝臓または背景に属することを代表する。肝臓分割データセットを
として記し、ここで、nが肝臓データ個数である。分割データセットを訓練セットTrとテストセットTtに分ける。
(1.2)肝臓分割の訓練セットに対して、各ペアの原図像と肝臓分割ラベル図像に対してダウンサンプリング、再サンプリング及び取り込み動作を行う。CTデータに対して横断面で2倍のダウンサンプリングを行い、かつ再サンプリングを行い、全てのデータのz軸のspacingを1mmに調整する。肝臓ラベルに基づき、肝臓領域開始及び終了のsliceを見つけ、かつそれぞれ外に同じ層数を拡張する。
(1.3)各CTデータに対してコントラスト調整を行う。具体的に、図像のHU値を[-100、240]の間に切り取り、そして[0、1]の間に正規化する。データをniiフォーマットとして保存する。前記HU値がCT値であり、人体のある局部組織または器官密度の大きさを測定する計量単位であり、通常、ハンター単位(hounsfieldunit、HU)と呼ばれ、空気が-1000であり、緻密骨が+1000である。
(2)ResUNetネットワークを利用して肝臓CTを粗分割する。
(2.1)図2に示すように、ResUNetネットワークを構築し、当該ネットワークがエンコードとデコードの2つの部分で構成され、ネットワークの入力の大きさが1*48*256*256であり、出力の大きさが1*48*256*256である。エンコード部分が4つのエンコードブロックを含み、各エンコードブロックの後に何れも1つのダウンサンプリング層が接続される。各エンコードブロックは数が異なる畳み込み-活性化層で構成される。第1個のエンコードブロックが2つの畳み込み-活性化層を含み、残りの3つのエンコードブロックが何れも3つの畳み込み-活性化層を含む。各エンコードブロックの最後層の畳み込み-活性化層に入力に対する残差接続を加入する。エンコード部分によって出力される特徴図の大きさが256*3*16*16である。デコード部分が4つのデコードブロックを含み、各デコードブロックの前に1つのアップサンプリング層が接続される。各デコードブロックは数が異なる畳み込み-活性化層で構成される。最初の3つのデコードブロックが何れも3つの畳み込み-活性化層を含み、最後のデコードブロックが2つの畳み込み-活性化層を含む。各デコードブロックの第1層の畳み込み-活性化層において、対応するエンコードブロックによって出力される特徴図が接続される。かつ、各デコードブロックによって出力される特徴図に対して1つのマッピング層を作成し、当該マッピング層が畳み込み-アップサンプリング-活性化層で構成される。マッピング層の出力の大きさが何れもネットワーク入力図像と同じ大きさの図像ブロックであり、すなわち、サイズが1*48*256*256である。
ネットワークによって出力された各予測ラベルに対応し、対応する損失関数lossを交差エントロピ損失として設定し、
が加算記号であり、記号∈が「属する」を表現する。本発明のResUNetネットワークに対して、深層教師あり方式を採用して最終的な損失関数を設定し、すなわち、4つのマッピング層の出力損失の重み和として設定し、
(2.2)肝臓分割の訓練セットを利用してResUNetネットワークにおける様々なパラメータを訓練する。用意された訓練セットをネットワークに入力し、逆方向伝播アルゴリズムを利用してネットワークパラメータを求める。訓練が完成し、肝臓初期分割モデルを取得する。
(2.3)ResUNetネットワークを取って1000ステップのモデルを訓練し、訓練セットとテストセットの図像をモデルに入力する。入力原図像の48層あまりの図像ブロックをネットワークの入力として、ニューラルネットワークを介して前方に伝播した後、最後の層の出力output4のみをネットワーク出力とする。最後に、全ての図像ブロックの予測結果を融合し、原図像において各点に肝臓に属する確率値を与える。確率値を二値化操作して、二値化しきい値を0.5にし、肝臓の粗分割結果を取得し、
と記し、|X|が図像画素個数である。
(3)肝臓形状セット確立
(3.1)肝臓分割ラベルを肝臓標準形状セット
として記し、ここで、nが形状訓練セットのデータ個数である。標準肝臓形状に対して欠陥操作を行い、肝臓形状欠陥セットを構成する。具体的に、標準セットにおける肝臓形状Yに対して開閉演算子操作を行い、損傷した肝臓領域
を取得する。肝臓欠陥形状セットを
と記する。肝臓標準形状セットSと肝臓欠陥形状セットCは、肝臓形状訓練セットを構成する。
(3.2)各ペアの標準肝臓形状と欠陥肝臓形状に対して再サンプリングと取り込み動作を行う。図像の分辨率を1mm*1mm*1mmに再サンプリングし、肝臓形状に基づいてその周辺矩形枠を算出し、そして矩形枠を中心とする大きさが320*320*256の図像領域を取り込む。ボリュームデータの層数が256層未満であれば、前後で値が0のピクチャに補完する。最後に、図像に対して2倍のダウンサンプリングを行い、最終的に大きさが160*160*128の大きさの図像ブロックを取得して変分オートエンコーダネットワークの入力とする。
(4)変分オートエンコーダを利用して肝臓形状を学習する
(4.1)図3に示すように、三次元変分オートエンコーダを構築し、エンコーダEとデコーダDとの2つの部分で構成される。ネットワークの入力の大きさが1*128*160*160であり、出力の大きさが1*128*160*160である。エンコーダ部分はResUNetのエンコーダ部分に類似し、4つのエンコードブロックを含み、各エンコードブロックの後に1つのダウンサンプリング層が接続される。各エンコードブロックは数が異なる畳み込み-活性化層で構成される。第1個のエンコードブロックが2つの畳み込み-活性化層を含み、残りの3つのエンコードブロックが何れも3つの畳み込み-活性化層を含む。最初の2つのエンコードブロックの最後層の畳み込み-活性化層に入力に対する残差接続を加入する。エンコーダ部分の出力の大きさが128*4*5*5の大きさの特徴図であり、それを1つの12800次元のベクトルに引き、かつ全接続層により800次元のベクトルに低減し、そしてその対応する分布の平均値μと標準差σを求める。平均値μと標準差σの正規分布から1つの隠し空間変数zを再サンプリングする。デコーダ部分では、デコーダを生成器とし、変数zを1つの肝臓形状として生成する。デコーダ部分は4つのデコードブロックを含み、各デコードブロックの前に1つのアップサンプリング層が接続される。各デコードブロックは数が異なる畳み込み-活性化層で構成される。最初の3つのデコードブロックが何れも3つの畳み込み-活性化層を含み、最後のデコードブロックが2つの畳み込み-活性化層を含む。デコーダの出力は大きさが32*64*80*80の特徴図であり、最後に1つのマッピング層により、特徴図を肝臓予測図としてマッピングする。マッピング層は畳み込み-アップサンプリング-活性化層で構成され、出力の大きさはネットワーク入力図像と同じ大きさの図像ブロックであり、すなわち、サイズが1*256*320*320である。
変分オートエンコーダの目標損失関数Lshapを再構成誤差Lrec及び正規分布と標準正規分布のKL発散LKL、すなわち、Lshap=Lrec+LKLに定義し、
がネットワークに入力する肝臓形状図像を表現し、
が変分オートエンコーダによって再構成された図像を表現し、Yが対応する標準肝臓形状である。
と
はエンコーダによって出力された長さがdの平均値ベクトルと標準差ベクトルを表現する。logが対数関数を表現する。記号
が
ノルムを表現する。
が加算記号である。
(4.2)形状訓練セットを利用して変分オートエンコーダにおける様々なパラメータを訓練する。ネットワークにおけるエンコーダとデコーダのパラメータは分割ネットワークResUNetのモデルパラメータによって初期化される。そして、用意された訓練セットをネットワークに入力し、逆方向伝播アルゴリズムを利用してネットワークパラメータを微調整する。訓練が完成し、形状学習モデルを取得する。
(4.3)変分オートエンコーダのエンコーダ部分を肝臓形状エンコーダEとする。1つの欠陥した肝臓形状を入力し、流形空間での隠し空間表現
、i=1、…、nを得ることができる。隠し空間表現は、肝臓形状特徴を抽象化したものである。隠し空間表現(Latent Space Representation)は、圧縮データの1つの表現であり、モードを見つけるために、データ特徴を学習しかつデータ表現を簡略化する。隠し空間において、類似するサンプルの間の特徴の差が余分の情報として除去され、そのコア特徴のみが保留される。
(5)幾何形状正則化モジュール構築
(5.1)ResUNet分割ネットワークに幾何形状正則化モジュールを加入する。具体的に、ResUNetによって出力された肝臓予測領域
をエンコーダEに入力し、肝臓予測形状の隠し空間表現
を取得する。同時に、肝臓標準分割ラベルをエンコーダに入力し、標準肝臓形状の隠し空間表現E(Y)を取得する。幾何形状正則化モジュールが予測形状と標準形状の隠し空間表現に対して一致性制約を行い、すなわち、分割ネットワークの損失関数に隠し空間一致性制約表現を加入し、
は、第k個の予測形状
を三次元変分オートエンコーダに入力して肝臓予測形状の隠し空間表現を取得することを表現し、nが肝臓データ個数である。
(5.2)最終的に幾何形状正則化に制約される肝臓分割ネットワーク目標損失関数は以下の通り表現されてもよく、
(5.3)肝臓分割の訓練セットを利用して幾何形状正則化モジュールが加入されたResUNet分割ネットワークネットワークにおける様々なパラメータを訓練し、逆方向伝播アルゴリズムを利用してネットワークパラメータを微調整する。訓練が完成し、幾何形状の一致性に制約された肝臓分割モデルを取得する。
(6)肝臓自動分割
(6.1)所定のテスト図像Xtestに対してダウンサンプリングと再サンプリング過程を行う。そして、図像のグレー値を調整し、図像のHU値を[-100、240]の間に切り取り、そして[0、1]の間に正規化する。前処理されたテスト図像を幾何形状の一致性に制約された肝臓分割モデルに入力し、肝臓分割結果を取得する。
(6.2)分割図像を再サンプリングして原図像サイズにアップサンプリングし、最終的な肝臓分割結果を取得する。
Claims (10)
- 深層形状学習に基づく肝臓CT自動分割方法であって、ステップ1~ステップ8を含み、
前記ステップ1では、原図像と肝臓分割ラベル図像とを含むCTボリュームデータを収集して前処理し、肝臓分割データの訓練セットを構築し、
前記ステップ2では、肝臓分割ネットワークを構築し、肝臓分割ネットワークがエンコードとデコードの2つの部分で構成され、エンコード部分が4つのエンコードブロックを含み、各エンコードブロックの後に何れも1つのダウンサンプリング層が接続され、デコード部分が4つのデコードブロックを含み、各デコードブロックの前に1つのアップサンプリング層が接続され、各デコードブロックが対応するエンコードブロックによって出力される特徴図に接続され、かつ各デコードブロックによって出力される特徴図に対して1つのマッピング層が作成され、出力の大きさが何れもネットワーク入力図像と同じ大きさの図像ブロックであり、
前記ステップ3では、前記ステップ1において肝臓分割データの訓練セットを利用して肝臓分割ネットワークを訓練し、訓練された肝臓分割ネットワークを利用して肝臓CTを粗分割し、
前記ステップ4では、医学解剖構造特徴に適合する肝臓標準形状セットを取得し、肝臓標準形状セットに対して欠陥操作を行い、肝臓形状欠陥セットを構成し、肝臓標準形状セット及び肝臓形状欠陥セットが共に肝臓形状訓練セットを構成し、
前記ステップ5では、三次元変分オートエンコーダを構築し、前記三次元変分オートエンコーダがエンコーダとデコーダとの2つの部分で構成され、エンコーダ部分が4つのエンコードブロックを含み、各エンコードブロックの後に1つのダウンサンプリング層が接続され、デコーダ部分が4つのデコードブロックを含み、各デコードブロックの前に1つのアップサンプリング層が接続され、デコーダの出力が1つのマッピング層によって特徴図を肝臓予測図としてマッピングし、
前記ステップ6では、肝臓形状訓練セットを利用して三次元変分オートエンコーダを訓練し、1つの欠陥の肝臓形状を訓練された三次元変分オートエンコーダに入力し、その流形空間の隠し空間表現を取得し、
前記ステップ7では、訓練された三次元変分オートエンコーダを幾何形状正則化モジュールとし、前記ステップ2で構築された肝臓分割ネットワークに加入し、肝臓分割ネットワークによって出力された粗分割結果及び肝臓標準分割ラベルをそれぞれ三次元変分オートエンコーダに入力し、肝臓予測形状及び標準肝臓形状の隠し空間表現を取得し、幾何形状正則化モジュールが予測形状と標準形状の隠し空間表現に対して一致性制約を行い、
前記ステップ8では、前処理された肝臓CT図像を幾何形状正則化モジュールが加入された肝臓分割ネットワークに入力し、ネットワークによって出力された分割図像を再サンプリングして原図像サイズにアップサンプリングし、最終的な肝臓分割結果を取得する
ことを特徴とする深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ1において、前処理過程には具体的に、訓練セットにおける各データをダウンサンプリング、再サンプリング及び取り込み動作し、肝臓ラベルに基づき、肝臓領域開始及び終了のsliceを見つけ、かつそれぞれ外に同じ層数を拡張し、訓練セットにおける各データに対してコントラストを調整し、図像のHU値を[-100、240]の間に切り取り、そして[0、1]の間に正規化し、前記HU値がCT値であり、人体のある局部組織または器官密度大きさを測定する計量単位であり、ハンター単位と呼ばれる
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ2及び前記ステップ5において、各エンコードブロックは数が異なる畳み込み-活性化層で構成され、第1個のエンコードブロックが2つの畳み込み-活性化層を含み、残りの3つのエンコードブロックが何れも3つの畳み込み-活性化層を含み、各デコードブロックは数が異なる畳み込み-活性化層で構成され、最初の3つのデコードブロックが何れも3つの畳み込み-活性化層を含み、最後のデコードブロックが2つの畳み込み-活性化層を含む
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ2において、ネットワークによって出力された各予測ラベルに対応し、対応する損失関数lossを交差エントロピ損失として設定し、
が加算記号であり、記号∈が「属する」を表現し、肝臓分割ネットワークに対して、深層教師あり方式を採用して最終的な損失関数Lsegを4つのマッピング層の出力損失の重み和として設定し、
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ3において、前記訓練された肝臓分割ネットワークを利用して肝臓CTを粗分割する具体的な過程は、肝臓分割ネットワークによって出力された全ての図像ブロックの予測結果を融合し、原図像において各点に肝臓に属する確率値を与え、確率値を二値化操作して肝臓の粗分割結果を取得する
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ4において、前記肝臓標準形状セットにおいて欠陥操作を行う具体的な過程は、肝臓標準形状セットにおける肝臓形状に対して開閉演算子操作を行い、損傷した肝臓領域を取得し、さらに肝臓形状欠陥セットを構築する
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ5において、エンコーダ部分の出力にその対応する分布の平均値及び標準差を求め、平均値及び標準差の正規分布から1つの隠し空間変数を再サンプリングし、隠し空間変数がデコーダにおいて1つの肝臓形状を生成する
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ7において、前記幾何形状正則化モジュールが予測形状と標準形状の隠し空間表現に対して一致性制約を行い、具体的には肝臓分割ネットワークの損失関数に隠し空間表現一致性制約を加入し、
は、第k個の予測形状
を三次元変分オートエンコーダに入力して肝臓予測形状の隠し空間表現を取得することを表現し、nが肝臓データ個数であり、最終的に幾何形状正則化に制約される肝臓分割ネットワーク目標損失関数Lは、以下の通り表現し、
ことを特徴とする請求項4に記載の深層形状学習に基づく肝臓CT自動分割方法。 - 前記ステップ7において、肝臓分割データの訓練セットを利用して幾何形状正則化モジュールが加入された肝臓分割ネットワークにおけるパラメータを訓練し、逆方向伝播アルゴリズムを利用してネットワークパラメータを調整し、訓練完成後、幾何形状の一致性に制約された肝臓分割モデルを取得し、肝臓CTに対する自動分割に使用し、肝臓分割領域を取得する
ことを特徴とする請求項1に記載の深層形状学習に基づく肝臓CT自動分割方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111240331.9 | 2021-10-25 | ||
CN202111240331.9A CN113674281B (zh) | 2021-10-25 | 2021-10-25 | 一种基于深度形状学习的肝脏ct自动分割方法 |
PCT/CN2022/116983 WO2023071531A1 (zh) | 2021-10-25 | 2022-09-05 | 一种基于深度形状学习的肝脏ct自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023550844A true JP2023550844A (ja) | 2023-12-05 |
Family
ID=78551033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023535617A Pending JP2023550844A (ja) | 2021-10-25 | 2022-09-05 | 深層形状学習に基づく肝臓ct自動分割方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023550844A (ja) |
CN (1) | CN113674281B (ja) |
WO (1) | WO2023071531A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674281B (zh) * | 2021-10-25 | 2022-02-22 | 之江实验室 | 一种基于深度形状学习的肝脏ct自动分割方法 |
CN114660934B (zh) * | 2022-03-03 | 2024-03-01 | 西北工业大学 | 一种基于视觉-触觉融合的机械臂自主操作策略学习方法 |
CN114693622B (zh) * | 2022-03-22 | 2023-04-07 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测*** |
CN114627389B (zh) * | 2022-03-23 | 2023-01-31 | 中国科学院空天信息创新研究院 | 一种基于多时相光学遥感影像的筏式养殖区提取方法 |
CN114820663B (zh) * | 2022-06-28 | 2022-09-09 | 日照天一生物医疗科技有限公司 | 用于确定射频消融治疗的辅助定位方法 |
CN116309385B (zh) * | 2023-02-27 | 2023-10-10 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及*** |
CN116402833B (zh) * | 2023-06-08 | 2023-08-22 | 武汉纺织大学 | 一种基于知识蒸馏的半监督视频目标分割方法 |
CN116758103B (zh) * | 2023-08-17 | 2023-11-07 | 西北工业大学太仓长三角研究院 | 基于ct扫描的食管肿瘤分割形状感知对比深度监督方法 |
CN116823625B (zh) * | 2023-08-30 | 2023-12-12 | 之江实验室 | 基于变分自编码器的跨对比度磁共振超分辨率方法和*** |
CN117036355B (zh) * | 2023-10-10 | 2023-12-15 | 湖南大学 | 编码器和模型的训练方法、故障检测方法及相关设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6887055B2 (ja) * | 2018-02-28 | 2021-06-16 | 富士フイルム株式会社 | 機械学習方法及び装置、プログラム、学習済みモデル、並びに判別装置 |
US11227683B2 (en) * | 2020-01-23 | 2022-01-18 | GE Precision Healthcare LLC | Methods and systems for characterizing anatomical features in medical images |
CN112150428B (zh) * | 2020-09-18 | 2022-12-02 | 青岛大学 | 一种基于深度学习的医学图像分割方法 |
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 |
CN112634265B (zh) * | 2021-01-04 | 2023-04-07 | 西北大学 | 基于dnn的胰腺全自动分割模型的构建、分割方法及*** |
CN113223004A (zh) * | 2021-05-07 | 2021-08-06 | 西安智诊智能科技有限公司 | 一种基于深度学习的肝脏图像分割方法 |
CN113362310A (zh) * | 2021-06-09 | 2021-09-07 | 西安智诊智能科技有限公司 | 一种基于无监督学习的医学图像肝脏分割方法 |
CN113674281B (zh) * | 2021-10-25 | 2022-02-22 | 之江实验室 | 一种基于深度形状学习的肝脏ct自动分割方法 |
-
2021
- 2021-10-25 CN CN202111240331.9A patent/CN113674281B/zh active Active
-
2022
- 2022-09-05 JP JP2023535617A patent/JP2023550844A/ja active Pending
- 2022-09-05 WO PCT/CN2022/116983 patent/WO2023071531A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN113674281A (zh) | 2021-11-19 |
WO2023071531A1 (zh) | 2023-05-04 |
CN113674281B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023550844A (ja) | 深層形状学習に基づく肝臓ct自動分割方法 | |
CN109598727B (zh) | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 | |
CN111311592B (zh) | 一种基于深度学习的三维医学图像自动分割方法 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN109615636B (zh) | Ct影像的肺叶段分割中的血管树构造方法、装置 | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
CN109658419B (zh) | 一种医学图像中小器官的分割方法 | |
CN112699869A (zh) | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 | |
CN113012172A (zh) | 一种基于AS-UNet的医学图像分割方法及*** | |
CN114037714B (zh) | 一种面向******穿刺的3d mr与trus图像分割方法 | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
CN112529909A (zh) | 一种基于图像补全的肿瘤图像脑区分割方法及*** | |
CN112465754B (zh) | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 | |
CN115908463A (zh) | 基于半监督一致性学习的3d冠状动脉图像分割方法 | |
CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断*** | |
CN115512110A (zh) | 一种涉及跨模态注意力机制的医学图像肿瘤分割方法 | |
CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
Ferreira et al. | GAN-based generation of realistic 3D volumetric data: A systematic review and taxonomy | |
CN113902738A (zh) | 一种心脏mri分割方法及*** | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
CN111667488A (zh) | 一种基于多角度U-Net的医学图像分割方法 | |
Zhou et al. | Automatic segmentation algorithm of femur and tibia based on Vnet-C network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230609 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230705 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240313 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240412 |