CN109816657A - 一种基于深度学习的脑瘤医学图像分割方法 - Google Patents
一种基于深度学习的脑瘤医学图像分割方法 Download PDFInfo
- Publication number
- CN109816657A CN109816657A CN201910158251.5A CN201910158251A CN109816657A CN 109816657 A CN109816657 A CN 109816657A CN 201910158251 A CN201910158251 A CN 201910158251A CN 109816657 A CN109816657 A CN 109816657A
- Authority
- CN
- China
- Prior art keywords
- brain tumor
- medical image
- split
- tumor medical
- deep learning
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及脑瘤医学图像分割技术领域,具体是一种基于深度学习的脑瘤医学图像分割方法,所述基于深度学习的脑瘤医学图像分割方法,包括:训练分割模型,接收待分割的脑瘤医学图像数据信息,对接收的待分割脑瘤医学图像数据信息进行分割处理,输出分割结果;所述基于深度学习的脑瘤医学图像分割系统,包括分割模型训练模块、脑瘤医学图像接收模块、脑瘤医学图像分割处理模块和分割结果输出模块。该基于深度学习的脑瘤医学图像分割方法通过对分割模型进行深度学习训练,深度学习训练好的分割模型再对接收到的待分割脑瘤医学图像数据信息进行分割处理,分割结果准确,解决了传统的人工分割方法存在费时费力的问题。
Description
技术领域
本发明涉及脑瘤医学图像分割技术领域,具体是一种基于深度学习的脑瘤医学图像分割方法、系统和电子设备。
背景技术
脑瘤医学图像分割技术是脑瘤医学图像处理和分析中的关键技术。脑瘤医学图像分割是一个根据区域内的相似性以及区域间的不同来分离图像中有关结构(或感兴趣区域)的过程。早期的图像分割完全是靠人工完成的,完全的人工分割方法是医学专家在数以百计的切片图像上进行边界的人工描绘工作,根据边界的人工描绘结果构思病灶与其周围组织的三维结构及空间关系,并以此作为制定治疗计划的基础。
传统的人工分割方法存在费时费力的问题,而目前,随着数字医疗技术的发展,研究一种脑瘤医学图像自动分割方法是十分必要的。有鉴于此,本发明提出了一种基于深度学习的脑瘤医学图像分割方法、系统和电子设备。
发明内容
本发明的目的在于提供一种基于深度学习的脑瘤医学图像分割方法、系统和电子设备,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于深度学习的脑瘤医学图像分割方法,包括:
训练分割模型,对分割模型进行深度学习训练,分割模型训练完成后即可对脑瘤医学图像进行分割处理;
接收待分割的脑瘤医学图像数据信息,其中,脑瘤医学图像数据信息包括医学PET-CT成像、多光谱成像、PET-MRI成像、多分辨率光学成像、磁共振T1加权像(MRT1W)、磁共振T1加权像(MRT2W)和质子密度图像(PD)等,脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域,分割出目标区域有利于临床诊治和医疗研究;
对接收的待分割脑瘤医学图像数据信息进行分割处理,通过深度学习训练好的分割模型对接收到的待分割脑瘤医学图像数据信息进行分割处理;
输出分割结果。
作为本发明进一步的方案:所述训练分割模型包括以下步骤:
S1,接收训练图像;
S2,对所述训练图像进行分析处理,分析所述训练图像的特征信息,特征信息包括灰度、纹理和亮度中的至少一种;
S3,对特征信息进行融合,得到融合特征;
S4,根据所述融合特征对所述训练图像进行分割处理,直至所述分割模型的损失函数收敛至预设阈值时,完成深度学习训练。
作为本发明再进一步的方案:所述对接收的待分割脑瘤医学图像数据信息进行分割处理包括以下步骤:
S1,对待分割脑瘤医学图像数据信息进行多尺度分解,得到不同模态下的多个子块;
S2,依次对各个子块进行卷积处理和反卷积处理,得到各个子块的特征信息;
S3,对所有子块的特征信息进行融合,得到融合特征;
S4,通过分类器对融合特征按照目标区域类型进行分类,即得到分割结果。
一种基于深度学习的脑瘤医学图像分割系统,包括:
分割模型训练模块,用于对分割模型进行深度学习训练,分割模型训练完成后即可对脑瘤医学图像进行分割处理;
脑瘤医学图像接收模块,用于接收待分割的脑瘤医学图像数据信息,其中,脑瘤医学图像数据信息包括医学PET-CT成像、多光谱成像、PET-MRI成像、多分辨率光学成像、磁共振T1加权像(MRT1W)、磁共振T1加权像(MRT2W)和质子密度图像(PD)等,脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域,分割出目标区域有利于临床诊治和医疗研究;
脑瘤医学图像分割处理模块,用于对脑瘤医学图像接收模块接收的待分割脑瘤医学图像数据信息进行分割处理,通过分割模型训练模块深度学习训练好的分割模型对脑瘤医学图像接收模块接收到的待分割脑瘤医学图像数据信息进行分割处理;
分割结果输出模块,用于输出分割结果。
作为本发明再进一步的方案:所述分割模型训练模块包括:
训练图像接收单元,用于接收训练图像;
训练图像分析处理单元,用于对训练图像进行分析处理,分析训练图像的特征信息,特征信息包括灰度、纹理和亮度中的至少一种;
第一特征融合单元,用于对特征信息进行融合,得到融合特征;
分割单元,用于根据融合特征对训练图像进行分割处理,直至分割模型的损失函数收敛至预设阈值时,完成深度学习训练。
作为本发明再进一步的方案:所述脑瘤医学图像分割处理模块包括:
分解单元,用于对待分割脑瘤医学图像数据信息进行多尺度分解,得到不同模态下的多个子块;
处理单元,用于依次对各个子块进行卷积处理和反卷积处理,得到各个子块的特征信息;
第二特征融合单元,用于对所有子块的特征信息进行融合,得到融合特征;
分类单元,用于通过分类器对融合特征按照目标区域类型进行分类,即得到分割结果。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于深度学习的脑瘤医学图像分割方法。
与现有技术相比,本发明的有益效果是:
该基于深度学习的脑瘤医学图像分割方法通过对分割模型进行深度学习训练,深度学习训练好的分割模型再对接收到的待分割脑瘤医学图像数据信息进行分割处理,分割结果准确,解决了传统的人工分割方法存在费时费力的问题。
附图说明
图1为基于深度学习的脑瘤医学图像分割方法的流程框图。
图2为基于深度学习的脑瘤医学图像分割系统的结构框图。
图中:1-分割模型训练模块、2-脑瘤医学图像接收模块、3-脑瘤医学图像分割处理模块、4-分割结果输出模块。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
请参阅图1,本发明实施例中,一种基于深度学习的脑瘤医学图像分割方法,包括:
训练分割模型,对分割模型进行深度学习训练,分割模型训练完成后即可对脑瘤医学图像进行分割处理;
接收待分割的脑瘤医学图像数据信息,其中,脑瘤医学图像数据信息包括医学PET-CT成像、多光谱成像、PET-MRI成像、多分辨率光学成像、磁共振T1加权像(MRT1W)、磁共振T1加权像(MRT2W)和质子密度图像(PD)等,脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域,分割出目标区域有利于临床诊治和医疗研究;
对接收的待分割脑瘤医学图像数据信息进行分割处理,通过深度学习训练好的分割模型对接收到的待分割脑瘤医学图像数据信息进行分割处理;
输出分割结果。
进一步的,所述训练分割模型包括以下步骤:
S1,接收训练图像;
S2,对所述训练图像进行分析处理,分析所述训练图像的特征信息,特征信息包括灰度、纹理和亮度中的至少一种;
S3,对特征信息进行融合,得到融合特征;
S4,根据所述融合特征对所述训练图像进行分割处理,直至所述分割模型的损失函数收敛至预设阈值时,完成深度学习训练。
进一步的,所述对接收的待分割脑瘤医学图像数据信息进行分割处理包括以下步骤:
S1,对待分割脑瘤医学图像数据信息进行多尺度分解,得到不同模态下的多个子块;
S2,依次对各个子块进行卷积处理和反卷积处理,得到各个子块的特征信息;
S3,对所有子块的特征信息进行融合,得到融合特征;
S4,通过分类器对融合特征按照目标区域类型进行分类,即得到分割结果。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于深度学习的脑瘤医学图像分割方法。
实施例2
请参阅图2,本发明实施例中,一种基于深度学习的脑瘤医学图像分割系统,包括:
分割模型训练模块1,用于对分割模型进行深度学习训练,分割模型训练完成后即可对脑瘤医学图像进行分割处理;
脑瘤医学图像接收模块2,用于接收待分割的脑瘤医学图像数据信息,其中,脑瘤医学图像数据信息包括医学PET-CT成像、多光谱成像、PET-MRI成像、多分辨率光学成像、磁共振T1加权像(MRT1W)、磁共振T1加权像(MRT2W)和质子密度图像(PD)等,脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域,分割出目标区域有利于临床诊治和医疗研究;
脑瘤医学图像分割处理模块3,用于对脑瘤医学图像接收模块2接收的待分割脑瘤医学图像数据信息进行分割处理,通过分割模型训练模块1深度学习训练好的分割模型对脑瘤医学图像接收模块2接收到的待分割脑瘤医学图像数据信息进行分割处理;
分割结果输出模块4,用于输出分割结果。
进一步的,所述分割模型训练模块1包括:
训练图像接收单元,用于接收训练图像;
训练图像分析处理单元,用于对训练图像进行分析处理,分析训练图像的特征信息,特征信息包括灰度、纹理和亮度中的至少一种;
第一特征融合单元,用于对特征信息进行融合,得到融合特征;
分割单元,用于根据融合特征对训练图像进行分割处理,直至分割模型的损失函数收敛至预设阈值时,完成深度学习训练。
进一步的,所述脑瘤医学图像分割处理模块3包括:
分解单元,用于对待分割脑瘤医学图像数据信息进行多尺度分解,得到不同模态下的多个子块;
处理单元,用于依次对各个子块进行卷积处理和反卷积处理,得到各个子块的特征信息;
第二特征融合单元,用于对所有子块的特征信息进行融合,得到融合特征;
分类单元,用于通过分类器对融合特征按照目标区域类型进行分类,即得到分割结果。
上面对本发明的较佳实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (7)
1.一种基于深度学习的脑瘤医学图像分割方法,其特征在于,包括:
训练分割模型;
接收待分割的脑瘤医学图像数据信息;
对接收的待分割脑瘤医学图像数据信息进行分割处理;
输出分割结果。
2.根据权利要求1所述的基于深度学习的脑瘤医学图像分割方法,其特征在于,所述训练分割模型包括以下步骤:
S1,接收训练图像;
S2,对所述训练图像进行分析处理,分析所述训练图像的特征信息;
S3,对特征信息进行融合,得到融合特征;
S4,根据所述融合特征对所述训练图像进行分割处理,直至所述分割模型的损失函数收敛至预设阈值时,完成深度学习训练。
3.根据权利要求1或2所述的基于深度学习的脑瘤医学图像分割方法,其特征在于,所述对接收的待分割脑瘤医学图像数据信息进行分割处理包括以下步骤:
S1,对待分割脑瘤医学图像数据信息进行多尺度分解,得到不同模态下的多个子块;
S2,依次对各个子块进行卷积处理和反卷积处理,得到各个子块的特征信息;
S3,对所有子块的特征信息进行融合,得到融合特征;
S4,通过分类器对融合特征按照目标区域类型进行分类,即得到分割结果。
4.一种基于深度学习的脑瘤医学图像分割系统,包括:
分割模型训练模块(1),用于对分割模型进行深度学习训练;
脑瘤医学图像接收模块(2),用于接收待分割的脑瘤医学图像数据信息;
脑瘤医学图像分割处理模块(3),用于对脑瘤医学图像接收模块(2)接收的待分割脑瘤医学图像数据信息进行分割处理;
分割结果输出模块(4),用于输出分割结果。
5.根据权利要求4所述的基于深度学习的脑瘤医学图像分割系统,其特征在于,所述分割模型训练模块(1)包括:
训练图像接收单元,用于接收训练图像;
训练图像分析处理单元,用于对训练图像进行分析处理,分析训练图像的特征信息;
第一特征融合单元,用于对特征信息进行融合,得到融合特征;
分割单元,用于根据融合特征对训练图像进行分割处理,直至分割模型的损失函数收敛至预设阈值时,完成深度学习训练。
6.根据权利要求5所述的基于深度学习的脑瘤医学图像分割系统,其特征在于,所述脑瘤医学图像分割处理模块(3)包括:
分解单元,用于对待分割脑瘤医学图像数据信息进行多尺度分解,得到不同模态下的多个子块;
处理单元,用于依次对各个子块进行卷积处理和反卷积处理,得到各个子块的特征信息;
第二特征融合单元,用于对所有子块的特征信息进行融合,得到融合特征;
分类单元,用于通过分类器对融合特征按照目标区域类型进行分类,即得到分割结果。
7.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158251.5A CN109816657A (zh) | 2019-03-03 | 2019-03-03 | 一种基于深度学习的脑瘤医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158251.5A CN109816657A (zh) | 2019-03-03 | 2019-03-03 | 一种基于深度学习的脑瘤医学图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816657A true CN109816657A (zh) | 2019-05-28 |
Family
ID=66607989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910158251.5A Pending CN109816657A (zh) | 2019-03-03 | 2019-03-03 | 一种基于深度学习的脑瘤医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816657A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992338A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN111179275A (zh) * | 2019-12-31 | 2020-05-19 | 电子科技大学 | 一种医学超声图像分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542570A (zh) * | 2011-12-30 | 2012-07-04 | 北京华航无线电测量研究所 | 一种微波图像中人体隐藏危险物体自动检测方法 |
CN105005773A (zh) * | 2015-07-24 | 2015-10-28 | 成都市高博汇科信息科技有限公司 | 一种融合时域信息和空域信息的行人检测方法 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
CN108986115A (zh) * | 2018-07-12 | 2018-12-11 | 佛山生物图腾科技有限公司 | 医学图像分割方法、装置及智能终端 |
US20190046068A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
-
2019
- 2019-03-03 CN CN201910158251.5A patent/CN109816657A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542570A (zh) * | 2011-12-30 | 2012-07-04 | 北京华航无线电测量研究所 | 一种微波图像中人体隐藏危险物体自动检测方法 |
CN105005773A (zh) * | 2015-07-24 | 2015-10-28 | 成都市高博汇科信息科技有限公司 | 一种融合时域信息和空域信息的行人检测方法 |
US20190046068A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
CN108986115A (zh) * | 2018-07-12 | 2018-12-11 | 佛山生物图腾科技有限公司 | 医学图像分割方法、装置及智能终端 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992338A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
CN110992338B (zh) * | 2019-11-28 | 2022-04-01 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN111179275A (zh) * | 2019-12-31 | 2020-05-19 | 电子科技大学 | 一种医学超声图像分割方法 |
CN111179275B (zh) * | 2019-12-31 | 2023-04-25 | 电子科技大学 | 一种医学超声图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adegun et al. | Deep learning-based system for automatic melanoma detection | |
Zhang et al. | Coarse-to-fine stacked fully convolutional nets for lymph node segmentation in ultrasound images | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN110310287A (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
Bicakci et al. | Metabolic imaging based sub-classification of lung cancer | |
CN109816657A (zh) | 一种基于深度学习的脑瘤医学图像分割方法 | |
Khalil et al. | Multi-Scale Network for Thoracic Organs Segmentation. | |
CN110246109A (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
CN109902682A (zh) | 一种基于残差卷积神经网络的乳腺x线图像检测方法 | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
Nattkemper | Automatic segmentation of digital micrographs: A survey | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
Aslam et al. | Liver-tumor detection using CNN ResUNet | |
Sankari et al. | Automatic tumor segmentation using convolutional neural networks | |
Razzaq et al. | Brain tumor detection from mri images using bag of features and deep neural network | |
Al-Hadidi et al. | Glioblastomas brain tumour segmentation based on convolutional neural networks. | |
CN107330948B (zh) | 一种基于流行学习算法的fMRI数据二维可视化方法 | |
CN115861716B (zh) | 基于孪生神经网络和影像组学的胶质瘤分类方法及装置 | |
CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Saeed et al. | Technique for Tumor Detection Upon Brain MRI Image by Utilizing Support Vector Machine | |
Khastavaneh et al. | Segmentation of diabetic retinopathy lesions in retinal fundus images using multi-view convolutional neural networks | |
Wang et al. | Fiber modeling and clustering based on neuroanatomical features | |
Carmo et al. | Automated computed tomography and magnetic resonance imaging segmentation using deep learning: a beginner's guide | |
CN111612762B (zh) | Mri脑肿瘤图像生成方法及系统 | |
Singh et al. | Classification and Segmentation of MRI Images of Brain Tumors Using Deep Learning and Hybrid Approach |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190528 |
|
WD01 | Invention patent application deemed withdrawn after publication |