CN109961443A - 基于多期ct影像引导的肝脏肿瘤分割方法及装置 - Google Patents

基于多期ct影像引导的肝脏肿瘤分割方法及装置 Download PDF

Info

Publication number
CN109961443A
CN109961443A CN201910229378.1A CN201910229378A CN109961443A CN 109961443 A CN109961443 A CN 109961443A CN 201910229378 A CN201910229378 A CN 201910229378A CN 109961443 A CN109961443 A CN 109961443A
Authority
CN
China
Prior art keywords
image
liver
sample
abdominal
input
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
Application number
CN201910229378.1A
Other languages
English (en)
Inventor
宋红
陈磊
杨健
艾丹妮
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910229378.1A priority Critical patent/CN109961443A/zh
Publication of CN109961443A publication Critical patent/CN109961443A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种基于多期CT影像引导的肝脏肿瘤分割方法及装置，所述方法包括：获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本进行多通道融合训练后获得的。本发明实施例采用了多通道融合的训练网络对不同时期的肝脏肿瘤CT影像进行了有效地特征挖掘，使得训练好的网络对肝脏肿瘤的分割精度更高，鲁棒性较好。

Description

基于多期CT影像引导的肝脏肿瘤分割方法及装置
技术领域
本发明实施例涉及医学图像处理技术领域，更具体地，涉及一种基于多期CT影像引导的肝脏肿瘤分割方法及装置。
背景技术
从腹部CT序列影像中自动、精准的分割出肝脏肿瘤对很多肝脏相关的临床手术而言至关重要，近年来，随着CT成像技术的不断成熟，其在帮助医生进行肝癌的临床检查和诊断中取得了广泛的应用。然而，由于肝脏肿瘤的形状大小会随着患者的性别、年龄、个体间的差异而改变，加之肿瘤组织与周围正常肝脏组织之间的对比度通常较低，因此从腹部CT影像中分割肝肿瘤一直是个难题。在传统的肝肿瘤诊疗任务中，医生需要凭借自身丰富的经验和专业知识来判断每一张切片上肝脏及其肿瘤的位置，这对医生提出了较高的专业门槛要求，且费时费力，在病人数量很多的情况下，会导致排号难，误诊率高的问题。因此，基于计算机算法的肝脏肿瘤自动分割方法的出现成为了近年来医学图像处理领域的研究热点。
目前，有研究团队提出了利用阈值、主动轮廓模型、区域生长、图割模型和机器学习等方法来实现肝脏及其肿瘤的分割任务。阈值法是先统计所有像素的强度，设置一个阈值，将大于这个值的作为前景像素(如肿瘤)，剩余的所有像素则作为背景像素处理。区域生长则是通过手动选择一个种子点，然后根据一定的相似性度量往外进行扩张，是一种简单快速的分割方法。主动轮廓模型和图割优化分割方法常常配合着一起使用。利用诸多机器学习如k-means聚类、极限机器学习机的方法来进行肝肿瘤分割也取得了一定的成绩。事实表明，大多数基于机器学习的分割方法要比以往传统的分割方法更为有效。但是，它们也存在抗噪性差、分割精度不理想的缺点。随着深度学习技术的兴起，其在诸如目标识别、检测和分类等各领域中都取得了最好的成绩，其主要技术之一的全卷积神经网络在图像分割领域中有着卓越的表现，也被证明是图像分割领域中可靠的通用型分割框架。
不同患者间的肿瘤尺寸、形状、位置、数量存在较大差异，肿瘤边界不清晰，给传统分割方法带来了较大困难。基于机器学习的分割方法往往需要手动设计肿瘤的特征提取方法，特征提取方法设计的好坏直接影响到最终的分割性能，技术壁垒较高。用深度学习方法训练肝肿瘤分割模型需要大量的数据，现有方法大多是基于平扫期搜集的影像数据进行训练得到的，而此类数据能够反应出的肝肿瘤信息十分有限，在很多时候往往模糊不清，连专业医生都难以判断。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基于多期CT影像引导的肝脏肿瘤分割方法及装置。
第一方面，本发明实施例提供一种基于多期CT影像引导的肝脏肿瘤分割方法，包括：
获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；
将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；
其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；
其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；
其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
第二方面，本发明实施例提供一种基于多期CT影像引导的肝脏肿瘤分割装置，包括：
肝脏分割模块，用于获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；
肿瘤分割模块，用于将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；
其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；
其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；
其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的基于多期CT影像引导的肝脏肿瘤分割方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的基于多期CT影像引导的肝脏肿瘤分割方法的步骤。
本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割方法及装置，采用了深度学习中的全卷积神经网络技术，并采用了多通道融合的训练方法对不同时期的肝脏肿瘤CT影像进行了有效地特征挖掘，使得训练好的网络对肝脏肿瘤的分割精度更高，鲁棒性较好，可准确地对具有不同肿瘤尺寸、形状、位置、数量的病患情况进行特征捕获，可靠性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
图1为本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割方法的流程示意图；
图2为本明实施例提供的获得预设的单通道全卷积神经网络和肿瘤分割网络的流程示意图；
图3为本发明所实施例所构建的单通道全卷积神经网络的结构示意图；
图4为本发明实施例提供的训练肿瘤分割网络的流程示意图；
图5为本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割装置的结构示意图；
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着深度学习技术的兴起，其在诸如目标识别、检测和分类等各领域中都取得了最好的成绩，其主要技术之一的全卷积神经网络在图像分割领域中有着卓越的表现，也被证明是图像分割领域中可靠的通用型分割框架，对其基本结构进行领域性适当改进，可以应用于各种各样的分割任务中。因此，将其应用于CT影像引导的肝肿瘤自动分割任务有着较大的前景。此外，随着高信噪比、高分辨率的对比度增强CT成像技术的普及，将其应用于更清晰的展示肿瘤也越来越普及。一例对比度增强的CT影像数据通常包含动脉期、门静脉期和延迟期这三个期，每个期下对应的肝肿瘤成像都有其特有的临床表现形式，医生们通过查阅比对不同期之间的受试者影像资料，可以更有效的进行定性诊断。但是，目前将多期数据用于肝肿瘤的诊断这一应用还处于需要医生手动阅片的阶段，多个期的肝肿瘤数据量十分庞大，是平扫期的三倍，阅片耗时耗力，目前缺乏相应的计算机算法模型来对多个期的CT肝肿瘤影像数据进行进一步挖掘，本发明实施例则提供了基于多期CT影像引导的肝脏肿瘤分割方法及装置。
如图1所示，为本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割方法的流程示意图，包括：
步骤100、获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；
全卷积神经网络(FCN，Fully Convolutional Networks)是在传统卷积神经网络(CNN，Convolutional Neural Networks)的基础上，用卷积层代替全连接层。FCN网络可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使最后一个卷积层的特征图恢复到与输入图像相同的尺寸，从而可以进行像素级预测(对每个像素都产生一个预测)，同时保留了原始输入图像中的空间信息。
本发明实施例中，单通道全卷积神经网络是指所构建的全卷积神经网络只有一个通道，只在一个通道上对输入图像进行特征提取。
其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本进行训练后获得的；
其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
值得说明的是，同一患者在不同时期的肝脏和肿瘤标注区域是相同的，而不同时期显示出来的一些临床表征形式有所不同，比如在某个期时肿瘤与周围组织的对比度会更清晰，在其他期效果则会有所减弱。本发明实施例获取不同时期对比度增强的腹部CT影像样本对所构建的全卷积神经网络进行训练，目的是让所网络能够更全面地捕捉肿瘤在不同期下的内在特征，提高分割的准确性。
一个所述不同时期对比度增强的腹部CT影像样本对应一个带有肝脏区域标注的图像和一个带有肿瘤区域标注的图像。
可以理解的是，将所述不同时期对比度增强的腹部CT影像样本作为输入，将与输入的腹部CT影像样本对应的带有肝脏区域标注的图像样本(可以称为肝脏金标准)作为期望的输出，对所述单通道全卷积神经网络进行训练。
训练完成后的单通道全卷积神经网络能够对肝脏感兴趣区域进行有效地分割。也就是说，将腹部CT影像序列输入训练完成后的单通道全卷积神经网络中，可以获得对应的肝脏感兴趣区域图像序列。肝脏感兴趣区域图像是指标注出了肝脏区域的图像。
在本发明实施例中，采用单通道全卷积神经网络可以充分地提取肝脏的内在特征。
步骤101、将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；
具体地，所述预设的肿瘤分割网络具有将肿瘤区域从肝脏感兴趣区域中提取出来的能力。将对比度增强的腹部CT影像序列输入到训练完成的单通道全卷积神经网络中，获得对应的肝脏感兴趣区域图像序列，然后将对应的肝脏感兴趣区域图像输入至训练完成的肿瘤分割网络中，可以获得所述对比度增强的腹部CT影像所对应的肿瘤分割结果。肿瘤分割结果是指标注了肿瘤区域的图像。
所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本进行多通道融合训练后获得的。
可以理解的是，将不同时期肝脏感兴趣区域图像样本作为输入，将与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本(可以称为肿瘤金标准)作为期望的输出，对所构建的肿瘤分割网络进行多通道融合训练。
其中，所述不同时期肝脏感兴趣区域图像样本是根据不同时期对比度增强的腹部CT影像样本获得的，具体为，将不同时期对比度增强的腹部CT影像样本通过预设的单通道全卷积神经网络分割得到对应的动脉期肝脏感兴趣区域图像、门静脉期肝脏感兴趣区域图像和延迟期肝脏感兴趣区域图像。
在本发明实施例中，肿瘤分割网络是一个多通道全卷积神经网络，由三个并行的单通道全卷积神经网络构成，在多个通道下进行融合训练是指将不同时期肝脏感兴趣区域图像样本分别输入到所述肿瘤分割网络中对应通道，并将三个通道下网络高层捕获到的特征进行融合学习后再输入反卷积层和softmax层，最终获得输出结果，根据所获得的输出结果和肿瘤金标准计算损失函数值，并将损失函数值反馈回各个通道，更新各个通道网络的参数。
本发明实施例通过利用不同时期肝脏感兴趣图像样本对所构建的肿瘤分割网络进行多通道融合训练，对动脉期、门静脉期和延迟期三个期的肝脏肿瘤特征进行了有效挖掘，使网络学到了肿瘤在不同期下的特征，使网络具有更精准的分割能力。
本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割方法，采用了深度学习中的全卷积神经网络技术，并采用了多通道融合的训练方法对不同时期的CT影像进行了有效地特征挖掘，使得训练好的网络对肝脏肿瘤的提取精度更高，鲁棒性较好，可准确地对具有不同肿瘤尺寸、形状、位置、数量的病患情况进行特征捕获，可靠性高。
基于上述实施例的内容，在所述获取对比度增强的腹部CT影像的步骤之前，还需获得预设的单通道全卷积神经网络和肿瘤分割网络，如图2所示，为获得预设的单通道全卷积神经网络和肿瘤分割网络的流程示意图，包括：
步骤200、获取不同时期对比度增强的腹部CT影像样本、与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本，其中，所述不同时期对比度增强的腹部CT影像样本组成输入样本集，与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本组成第一输出样本集，与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本组成第二输出样本集；
具体地，首先构建样本集，从医院采集多个患者不同时期对比度增强的腹部CT影像样本，并将所采集的不同时期对比度增强的腹部CT影像样本导入至计算机中，让医生用标注软件对任意腹部CT影像样本中包含的肝脏及肝脏肿瘤的切片进行手工标注，获得与所述不同时期对比度增强的腹部CT影像样本对应的带有肝脏区域标注的图像样本、与所述不同时期对比度增强的腹部CT影像样本对应的带有肿瘤区域标注的图像样本，作为网络训练的金标准，其中，将医生手工标注了肝脏区域的图像样本作为肝脏金标准，将医生手工标注了肿瘤区域的图像样本作为肿瘤金标准。
其中，多个所述不同时期对比度增强的腹部CT影像样本组成输入样本集，多个与所述不同时期对比度增强的腹部CT影像样本对应的带有肝脏区域标注的图像样本组成第一输出样本集，多个与所述不同时期对比度增强的腹部CT影像样本对应的带有肿瘤区域标注的图像样本组成第二输出样本集。
步骤201、构建所述单通道全卷积神经网络和肿瘤分割网络，其中，所述肿瘤分割网络包括三个并行的与所述单通道全卷积神经网络结构相同的通道网络；
参见图3，为本发明所实施例所构建的单通道全卷积神经网络的结构示意图，从图3中可以获知所述单通道全卷积神经网络各层之间的连接关系，所述单通道全卷积神经网络包括顺序连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层、第五卷积层、第三下采样层、第六卷积层、第七卷积层、第八卷积层、第一反卷积层、第一特征融合层、第二反卷积层、第二特征融合层、第三反卷积层和softmax层。其中，将所述第一反卷积层的输出与第四卷积层的输出作为第一特征融合层的输入，将所述第二反卷积层的输出与第一下采样层的输出作为第二特征融合层的输入。
本发明实施例中所构建的肿瘤分割网络包括三个并行的与所述单通道全卷积神经网络结构相同的通道网络，构成多通道全卷积神经网络。
步骤202、利用所述输入样本集和第一输出样本集对所述单通道全卷积神经网络进行训练，获得训练完成的单通道全卷积神经网络；
具体地，将所述输入样本集中的对比度增强的腹部CT影像作为所构建的单通道全卷积神经网络的输入进行学习，将肝脏组织的内在特征通过所述单通道全卷积神经网络进行自动的捕获，从而使单通道全卷积神经网络能够将肝脏感兴趣区域从对比度增强的腹部CT影像中分割出来。
训练单通道全卷积神经网络的具体过程如下：
从所述输入样本集中随机选取一个对比度增强的腹部CT影像，将所选取的对比度增强的腹部CT影像作为输入训练样本，将所述输入训练样本输入到所述单通道全卷积神经网络中，将所述单通道全卷积神经网络的输出作为肝脏分割样本；
从所述第一输出样本集中取出与所述输入训练样本对应的带有肝脏区域标注的图像样本作为肝脏训练样本(即肝脏金标准)，根据所述肝脏分割样本和所述肝脏训练样本计算损失函数值，并根据所述损失函数值更新所述单通道全卷积神经网络的参数；
判断是否达到训练结束条件，若是，则保存当前迭代所述单通道全卷积神经网络的参数，获得训练完成的单通道全卷积神经网络，否则选取下一个输入训练样本进行训练。
其中，训练结束条件是指达到预设的迭代次数，或者，损失函数值在预设阈值范围内。
可以理解的是，单通道全卷积神经网络的训练是将对比度增强的腹部CT影像输入到单通道全卷积神经网络中进行前向传播，然后根据网络的输出与肝脏金标准计算损失函数值，然后将损失函数值反向传播，对单通道全卷积神经网络的各层参数进行更新。训练完成的单通道全卷积神经网络具有将肝脏感兴趣区域从对比度增强的腹部CT影像中分割出来的能力。
步骤203、将所述输入样本集按照不同时期分为动脉期输入样本子集、门静脉期输入样本子集和延迟期输入样本子集，将所述动脉期输入样本子集、门静脉期输入样本子集和延迟期输入样本子集分别输入到所述训练完成的单通道全卷积神经网络中，获得不同时期肝脏感兴趣区域图像样本集；
具体地，在单通道卷积神经网络训练结束后，将输入样本集中按照动脉期、门静脉期和延迟期这三个不同时期分为动脉期输入样本子集、门静脉期输入样本子集和延迟期输入样本子集。然后将所述动脉期输入样本子集、门静脉期输入样本子集和延迟期输入样本子集分别输入到所述训练完成的单通道全卷积神经网络中，获得不同时期肝脏感兴趣区域图像样本集。
其中，所述不同时期肝脏感兴趣区域图像样本集包括动脉期肝脏感兴趣区域图像样本子集、门静脉期肝脏感兴趣区域图像样本子集和延迟期肝脏感兴趣区域图像样本子集。
可以理解的是，输入一个时期的对比度增强的腹部CT影像到训练完成的单通道全卷积神经网络中，可以获得该时期下的对比度增强的腹部CT影像所对应的肝脏感兴趣区域图像。
步骤204、利用所述不同时期肝脏感兴趣区域图像样本集和第二输出样本集对所述肿瘤分割网络进行多通道融合训练，获得训练完成的肿瘤分割网络；
具体地，肿瘤分割网络包括三个并行的与所述单通道全卷积神经网络结构相同的通道网络，可以分别称为第一通道网络，第二通道网络，第三通道网络。每次训练时，将一个患者的不同时期肝脏感兴趣区域图像样本集作为输入，其中，一个时期的肝脏感兴趣区域图像样本输入到一个通道网络中，例如，可以将动脉期肝脏感兴趣区域图像样本输入到第一通道网络中，将门静脉期肝脏感兴趣区域图像样本输入到第二通道网络中，将延迟期肝脏感兴趣区域图像样本输入到第三通道网络中，然后将各通道网络的高层输出的特征图进行特征融合，将特征融合后的特征图输入反卷积层和softmax层，获得肿瘤分割网络的输出。然后根据肿瘤分割网络的输出和肿瘤金标准计算损失函数值，将损失函数值反向传播到三个通道网络中，同时更新三个通道网络各层的参数，实现多通道融合训练。
如图4所示，训练肿瘤分割网络的具体过程如下：
步骤400、从所述动脉期肝脏感兴趣区域图像样本子集、门静脉期肝脏感兴趣区域图像样本子集和延迟期肝脏感兴趣区域图像样本子集中选取出同一患者的肝脏感兴趣区域图像样本；
步骤401、将所选取的同一患者的肝脏感兴趣区域图像样本输入到所述肿瘤分割网络中，获取所述肿瘤分割网络的输出，并将所述肿瘤分割网络的输出作为肿瘤分割样本；
具体地，将所选取的同一患者在不同时期的肝脏感兴趣区域图像样本分别对应输入到所述肿瘤分割网络的三个通道网络中，将三个通道下网络高层所捕获到的特征进行融合学习；
对上述经特征融合后获得的新特征图进行反卷积操作，并将反卷积操作后获得的特征图输入到softmax层，获得所述肿瘤分割网络的输出，将此时肿瘤分割网络的输出作为肿瘤分割样本；
在一个实施例中，可以在三个通道网络的第二反卷积层或第三反卷积层之前进行特征融合。可以理解的是，在第二反卷积层或第三反卷积层之前，将任意两个通道网络的高层输出的特征图融合到另外一个通道网络中。
特征融合可以是对特征进行加权叠加，也可以是直接叠加，也可以是其他特征融合如连结等手段，本发明对此不作限制。
步骤402、从所述第二输出样本集中取出与所选取的患者对应的带有肿瘤区域标注的图像样本作为肿瘤训练样本，根据所述肿瘤分割样本和肿瘤训练样本计算损失函数值，并根据所述损失函数值更新所述肿瘤分割网络的参数；
具体地，从第二输出样本集中选取出与步骤401中所选取的患者在不同时期的的肝脏感兴趣区域图像样本对应的带有肿瘤区域标注的图像样本(肿瘤金标准)。根据所述肿瘤分割样本和肿瘤训练样本计算损失函数值，将所述损失函数值回传到所述肿瘤分割网络的三个通道网络中以供所述三个通道网络同时进行参数调整。
步骤403、判断是否达到训练结束条件，若是，则保存当前迭代肿瘤分割网络的参数，获得训练完成的肿瘤分割网络，否则选取下一患者的肝脏感兴趣区域图像样本继续进行训练。
其中，训练结束条件是指达到预设的迭代次数，或者，损失函数值在预设阈值范围内。
本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割方法采用了多通道融合的优化训练方法对不同时期的CT影像进行了有效地特征挖掘，使得训练好的网络对肝脏肿瘤的提取精度更高，鲁棒性较好，可准确地对具有不同肿瘤尺寸、形状、位置、数量的病患情况进行肝脏肿瘤特征提取，可靠性高。
基于上述实施例的内容，参见图3，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像的步骤，具体为：
将所述对比度增强的腹部CT影像输入第一卷积层(尺寸为11*11，步长为4)中进行特征提取，获得第一特征图，其中，第一特征图的尺寸与输入图像的尺寸相同；
将所述第一特征图输入第一下采样层(尺寸为3*3)进行缩放，获得第二特征图，这一步在保证不降低第一特征图分辨率的情况下减小其尺寸，以减少网络的参数量并提高模型的鲁棒性；
将所述第二特征图输入第二卷积层(尺寸为5*5，步长为1)进行进一步特征提取，获得第三特征图，第三特征图的尺寸与输入图像的尺寸相同；
将所述第三特征图输入第二下采样层(尺寸为3*3)进行缩放，获得第四特征图；
将所述第四特征图输入第三卷积层(尺寸为3*3，步长为1)进行特征提取，获得第五特征图，第五特征图的尺寸与输入图像的尺寸相同；
将所述第五特征图输入第四卷积层(尺寸为3*3，步长为1)进行特征提取，获得第六特征图，第六特征图的尺寸与输入图像的尺寸相同；
将所述第六特征图输入第五卷积层(尺寸为3*3，步长为1)进行特征提取，获得第七特征图，第七特征图的尺寸与输入图像的尺寸相同；
将所述第七特征图输入第三下采样层(尺寸为3*3)进行缩放，获得第八特征图；
将所述第八特征图输入第六卷积层(尺寸为6*6)进行特征提取，获得第九特征图；
将所述第九特征图输入第七卷积层(尺寸为1*1)进行特征提取，获得第十特征图；
将所述第十特征图输入第八卷积层(尺寸为1*1)进行连结，获得第十一特征图；
将所述第十一特征图输入第一反卷积层(尺寸为3*3)进行双线性插值处理，以对学习到的特征进行恢复，获得第十二特征图；
将所述第十二特征图和第六特征图同时输入第一特征融合层进行融合，以将那些来自网络深层、带有肿瘤局部特征的特征图与那些来自浅层、带有肿瘤全局特征的特征图进行融合，弥补先前经多次卷积、下采样操作之后肿瘤信息的损失，获得第十三特征图；
将所述第十三特征图输入第二反卷积层(尺寸为3*3)进行特征恢复，获得第十四特征图；
将所述第十四特征图和第二特征图同时输入第二特征融合层进行融合，以再一次融合网络深层学到的特征和浅层的特征，获得第十五特征图；
将所述第十五特征图输入第三反卷积层(尺寸为15*15)进行特征恢复，以将融合后的特征恢复到输入尺寸大小，获得第十六特征图；
将所述第十六特征图输入至softmax层进行逐像素预测，获得肝脏感兴趣区域图像，即获得属于肝脏像素的概率热度图。
本发明实施例采用了深度学习中的全卷积神经网络技术，使得训练好的网络对肝脏的提取精度更高，鲁棒性较好。
如图5所示，为本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割装置的结构示意图，包括：肝脏分割模块501和肿瘤分割模块502，其中，
肝脏分割模块501，用于获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；
具体地，单通道全卷积神经网络是指所构建的全卷积神经网络只有一个通道，只在一个通道上对输入图像进行特征提取。
其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；
其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
值得说明的是，同一患者在不同时期的肝脏和肿瘤标注区域是相同的，只是不同时期呈现出的临床表征形式有所不同。本发明实施例获取不同时期对比度增强的腹部CT影像样本对所构建的单通道全卷积神经网络进行训练，目的是让所网络能够更全面地捕捉到肿瘤在不同期下呈现的内在特征。
因此，一个所述不同时期对比度增强的腹部CT影像样本对应一个带有肝脏区域标注的图像和一个带有肿瘤区域标注的图像。
可以理解的是，将所述不同时期对比度增强的腹部CT影像样本作为输入，将与输入的腹部CT影像样本对应的带有肝脏区域标注的图像样本(可以称为肝脏金标准)作为期望的输出，对所述单通道全卷积神经网络进行训练。
训练完成后的单通道全卷积神经网络能够对肝脏感兴趣区域进行有效地分割。也就是说，肝脏分割模块501将一张对比度增强的腹部CT影像输入训练完成后的单通道全卷积神经网络中，可以获得与所述对比度增强的腹部CT影像对应的肝脏感兴趣区域图像。肝脏感兴趣区域图像是指标注出了肝脏区域的图像。
在本发明实施例中，采用单通道全卷积神经网络可以充分地提取肝脏的内在特征。
肿瘤分割模块502，用于将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；
其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；
具体地，所述预设的肿瘤分割网络具有将肿瘤区域从肝脏感兴趣区域中分割出来的能力。将腹部CT影像序列输入到训练完成的单通道全卷积神经网络中，获得对应的肝脏感兴趣区域图像，然后肿瘤分割模块502将对应的肝脏感兴趣区域图像输入至训练完成的肿瘤分割网络中，可以获得所述对比度增强的腹部CT影像所对应的肿瘤分割结果。肿瘤分割结果是指标注了肿瘤区域的图像。
所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本进行多通道融合训练后获得的。
可以理解的是，将不同时期肝脏感兴趣区域图像样本作为输入，将与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本(可以称为肿瘤金标准)作为期望的输出，对所构建的肿瘤分割网络进行多通道融合训练。
其中，所述不同时期肝脏感兴趣区域图像样本是根据不同时期对比度增强的腹部CT影像样本获得的，具体为，将不同时期对比度增强的腹部CT影像样本输入到训练完成的单通道全卷积神经网络中，分别获得动脉期肝脏感兴趣区域图像、门静脉期肝脏感兴趣区域图像和延迟期肝脏感兴趣区域图像。
在本发明实施例中，肿瘤分割网络是一个多通道全卷积神经网络，由三个并行的单通道全卷积神经网络构成，多个通道下融合训练是指将不同时期肝脏感兴趣区域图像样本分别输入到所述肿瘤分割网络中对应通道，并将三个通道下网络高层所捕获到的特征进行特征融合后再输入反卷积层和softmax层，最终获得输出结果，根据所获得的输出结果和肿瘤金标准计算损失函数值，并将损失函数值反馈回各个通道，更新各个通道网络的参数。
本发明实施例提供的基于多期CT影像引导的肝脏肿瘤分割装置，采用了深度学习中的全卷积神经网络技术，并采用了多通道融合的训练网络对不同时期的CT影像进行了有效地特征挖掘，使得训练好的网络对肝脏肿瘤的提取精度更高，鲁棒性较好，可准确地对具有不同肿瘤尺寸、形状、位置、数量的病患情况进行肝脏肿瘤特征提取，可靠性高。
图6为本发明实施例提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储在存储器630上并可在处理器610上运行的计算机程序，以执行上述各方法实施例所提供的基于多期CT影像引导的肝脏肿瘤分割方法，例如包括：获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进融合训练后获得的；其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元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，本发明实施例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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例提供的基于多期CT影像引导的肝脏肿瘤分割方法方法，例如包括：获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于多期CT影像引导的肝脏肿瘤分割方法，其特征在于，包括：
获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；
将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；
其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；
其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；
其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
2.根据权利要求1所述的方法，其特征在于，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像的步骤，具体为：
将所述对比度增强的腹部CT影像输入第一卷积层中进行特征提取，获得第一特征图；
将所述第一特征图输入第一下采样层进行缩放，获得第二特征图；
将所述第二特征图输入第二卷积层进行特征提取，获得第三特征图；
将所述第三特征图输入第二下采样层进行缩放，获得第四特征图；
将所述第四特征图输入第三卷积层进行特征提取，获得第五特征图；
将所述第五特征图输入第四卷积层进行特征提取，获得第六特征图；
将所述第六特征图输入第五卷积层进行特征提取，获得第七特征图；
将所述第七特征图输入第三下采样层进行缩放，获得第八特征图；
将所述第八特征图输入第六卷积层进行特征提取，获得第九特征图；
将所述第九特征图输入第七卷积层进行特征提取，获得第十特征图；
将所述第十特征图输入第八卷积层进行联结，获得第十一特征图；
将所述第十一特征图输入第一反卷积层进行双线性插值处理，获得第十二特征图；
将所述第十二特征图和第六特征图同时输入第一特征融合层进行融合，获得第十三特征图；
将所述第十三特征图输入第二反卷积层进行特征恢复，获得第十四特征图；
将所述第十四特征图和第二特征图同时输入第二特征融合层进行融合，获得第十五特征图；
将所述第十五特征图输入第三反卷积层进行特征恢复，获得第十六特征图；
将所述第十六特征图输入至softmax层进行逐像素预测，获得肝脏感兴趣区域图像；
其中，所述第一卷积层的尺寸为11*11，步长为4；第一至第三下采样层的尺寸为3*3；第二卷积层的尺寸为5*5，步长为1；第三至第五卷积层的尺寸为3*3，步长为1；第六卷积层的尺寸为6*6；第七至第八卷积层的尺寸为1*1；第一至第二反卷积层的尺寸为3*3；第三反卷积层的尺寸为15*15。
3.根据权利要求1所述的方法，其特征在于，在所述获取对比度增强的腹部CT影像之前，还包括：
获取不同时期对比度增强的腹部CT影像样本、与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本，其中，所述不同时期对比度增强的腹部CT影像样本组成输入样本集，与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本组成第一输出样本集，与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本组成第二输出样本集；
构建所述单通道全卷积神经网络和肿瘤分割网络，其中，所述肿瘤分割网络包括三个并行的与所述单通道全卷积神经网络结构相同的通道网络；
利用所述输入样本集和第一输出样本集对所述单通道全卷积神经网络进行训练，获得训练完成的单通道全卷积神经网络；
将所述输入样本集按照不同时期分为动脉期输入样本子集、门静脉期输入样本子集和延迟期输入样本子集，将所述动脉期输入样本子集、门静脉期输入样本子集和延迟期输入样本子集分别输入到所述训练完成的单通道全卷积神经网络中，获得不同时期肝脏感兴趣区域图像样本集；
利用所述不同时期肝脏感兴趣区域图像样本集和第二输出样本集对所述肿瘤分割网络进行多通道融合训练，获得训练完成的肿瘤分割网络；
其中，所述不同时期肝脏感兴趣区域图像样本集包括动脉期肝脏感兴趣区域图像样本子集、门静脉期肝脏感兴趣区域图像样本子集和延迟期肝脏感兴趣区域图像样本子集。
4.根据权利要求3所述的方法，其特征在于，利用所述输入样本集和第一输出样本集对所述单通道全卷积神经网络进行训练，获得训练完成的单通道全卷积神经网络的步骤，具体为：
从所述输入样本集中随机选取一个对比度增强的腹部CT影像，将所选取的对比度增强的腹部CT影像作为输入训练样本，将所述输入训练样本输入到所述单通道全卷积神经网络中，将所述单通道全卷积神经网络的输出作为肝脏分割样本；
从所述第一输出样本集中取出与所述输入训练样本对应的带有肝脏区域标注的图像样本作为肝脏训练样本，根据所述肝脏分割样本和所述肝脏训练样本计算损失函数值，并根据所述损失函数值更新所述单通道全卷积神经网络的参数；
判断是否达到训练结束条件，若是，则保存当前迭代所述单通道全卷积神经网络的参数，获得训练完成的单通道全卷积神经网络，否则选取下一个输入训练样本进行训练。
5.根据权利要求3所述的方法，其特征在于，利用所述不同时期肝脏感兴趣区域图像样本集和第二输出样本集对所述肿瘤分割网络进行多通道融合训练，获得训练完成的肿瘤分割网络的步骤，具体为：
从所述动脉期肝脏感兴趣区域图像样本子集、门静脉期肝脏感兴趣区域图像样本子集和延迟期肝脏感兴趣区域图像样本子集中选取出同一患者的肝脏感兴趣区域图像样本；
将所选取的同一患者的肝脏感兴趣区域图像样本输入到所述肿瘤分割网络中，获取所述肿瘤分割网络的输出，并将所述肿瘤分割网络的输出作为肿瘤分割样本；
从所述第二输出样本集中取出与所选取的患者对应的带有肿瘤区域标注的图像样本作为肿瘤训练样本，根据所述肿瘤分割样本和肿瘤训练样本计算损失函数值，并根据所述损失函数值更新所述肿瘤分割网络的参数；
判断是否达到训练结束条件，若是，则保存当前迭代肿瘤分割网络的参数，获得训练完成的肿瘤分割网络，否则选取下一患者的肝脏感兴趣区域图像样本继续进行训练。
6.根据权利要求5所述的方法，其特征在于，所述将所选取同一患者的肝脏感兴趣区域图像样本输入到所述肿瘤分割网络中，获取所述肿瘤分割网络的输出的步骤，具体为：
将所选取的同一患者的肝脏感兴趣区域图像样本按照时期分别对应输入到所述肿瘤分割网络的三个通道网络中，将三个通道下网络高层所捕获到的特征进行融合学习；
对上述经特征融合后获得的新特征图进行反卷积操作，并将反卷积操作后获得的特征图输入到softmax层，获得所述肿瘤分割网络的输出；
相应地，根据所述损失函数值更新所述肿瘤分割网络的参数，具体为：
将所述损失函数值回传到所述肿瘤分割网络的三个通道网络中以供所述三个通道网络同时进行参数调整。
7.一种基于多期CT影像引导的肝脏肿瘤分割装置，其特征在于，包括：
肝脏分割模块，用于获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，获得肝脏感兴趣区域图像；
肿瘤分割模块，用于将所述肝脏感兴趣区域图像输入至预设的肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；
其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；
其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；
其中，一个所述不同时期对比度增强的腹部CT影像样本包括同一患者在注入造影剂后的动脉期、门静脉期和延迟期腹部CT影像。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
CN201910229378.1A 2019-03-25 2019-03-25 基于多期ct影像引导的肝脏肿瘤分割方法及装置 Pending CN109961443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910229378.1A CN109961443A (zh) 2019-03-25 2019-03-25 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910229378.1A CN109961443A (zh) 2019-03-25 2019-03-25 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Publications (1)

Publication Number Publication Date
CN109961443A true CN109961443A (zh) 2019-07-02

Family

ID=67024941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910229378.1A Pending CN109961443A (zh) 2019-03-25 2019-03-25 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Country Status (1)

Country Link
CN (1) CN109961443A (zh)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427954A (zh) * 2019-07-26 2019-11-08 中国科学院自动化研究所 基于肿瘤影像的多区域的影像组学特征提取方法
CN110599500A (zh) * 2019-09-03 2019-12-20 南京邮电大学 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统
CN110619635A (zh) * 2019-07-25 2019-12-27 深圳大学 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN110853738A (zh) * 2019-10-12 2020-02-28 北京量健智能科技有限公司 一种造影剂作用下的成像方法与设备
CN110929789A (zh) * 2019-11-22 2020-03-27 北京理工大学 基于多期ct影像分析的肝肿瘤自动分类方法及装置
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN110992383A (zh) * 2020-03-03 2020-04-10 天津精诊医疗科技有限公司 一种基于深度学习的ct图像肝脏动脉分割方法及系统
CN111476793A (zh) * 2020-03-10 2020-07-31 西北大学 动态增强磁共振成像处理方法、系统、存储介质、终端
CN111968137A (zh) * 2020-10-22 2020-11-20 平安科技（深圳）有限公司 头部ct图像分割方法、装置、电子设备及存储介质
CN112037172A (zh) * 2020-07-30 2020-12-04 西安电子科技大学 基于轻量级卷积神经网络和空间先验传播的胰腺分割方法
CN112489059A (zh) * 2020-12-03 2021-03-12 山东承势电子科技有限公司 一种医学肿瘤分割和三维重建方法
CN112767370A (zh) * 2020-05-28 2021-05-07 福州宜星大数据产业投资有限公司 基于图像配准的目标区域标注方法
CN112785605A (zh) * 2021-01-26 2021-05-11 西安电子科技大学 基于语义迁移的多时相ct图像肝肿瘤分割方法
CN112862784A (zh) * 2021-02-08 2021-05-28 杭州深睿博联科技有限公司 基于非局部注意力机制的多期相融合器官分割方法及装置
CN112950600A (zh) * 2021-03-10 2021-06-11 武汉联影智融医疗科技有限公司 脑标识提取方法、装置、计算机设备和存储介质
CN112991298A (zh) * 2021-03-17 2021-06-18 广州中医药大学(广州中医药研究院) 模型构建方法、医学影像识别方法、装置及电子设备
CN113129297A (zh) * 2021-04-30 2021-07-16 复旦大学附属中山医院 基于多期相肿瘤影像的直径自动测量方法及系统
CN113177953A (zh) * 2021-04-27 2021-07-27 平安科技（深圳）有限公司 肝脏区域分割方法、装置、电子设备及存储介质
CN113205111A (zh) * 2021-04-07 2021-08-03 零氪智慧医疗科技(天津)有限公司 适用于肝脏肿瘤的识别方法、装置及电子设备
CN113299385A (zh) * 2021-04-30 2021-08-24 北京深睿博联科技有限责任公司 一种基于深度学习的胰腺囊性病变临床决策方法和系统
CN113344938A (zh) * 2021-05-07 2021-09-03 西安智诊智能科技有限公司 一种肝脏肿瘤图像分割模型训练方法
CN113409309A (zh) * 2021-07-16 2021-09-17 北京积水潭医院 肌肉ct影像勾画方法、系统、电子设备和机器存储介质
CN113487536A (zh) * 2021-06-01 2021-10-08 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和存储介质
CN113657503A (zh) * 2021-08-18 2021-11-16 上海交通大学 一种基于多模态数据融合的恶性肝肿瘤分类方法
CN113935951A (zh) * 2021-09-13 2022-01-14 南京邮电大学 一种三通道级联SEU-Nets肝肿瘤分割方法
CN114155402A (zh) * 2020-08-21 2022-03-08 通用电气精准医疗有限责任公司 用于改善机器学习模型泛化能力的合成训练数据生成
CN114502068A (zh) * 2019-10-08 2022-05-13 拜耳公司 生成肝脏的无对比度增强的mrt图像
CN114511599A (zh) * 2022-01-20 2022-05-17 推想医疗科技股份有限公司 模型训练方法及其装置、医学图像配准方法及其装置
WO2022183321A1 (zh) * 2021-03-01 2022-09-09 华为技术有限公司 图像检测方法、装置和电子设备
CN115375621A (zh) * 2022-07-08 2022-11-22 王贵生 一种肝肿瘤消融路径规划方法及装置
CN115457039A (zh) * 2022-11-14 2022-12-09 北京精诊医疗科技有限公司 一种用于hcc多期相数据的窗宽窗位自适应调节方法
CN115482247A (zh) * 2022-11-04 2022-12-16 北京精诊医疗科技有限公司 多期相融合的肝脏占位分割方法，模型、装置及存储介质
US20230103262A1 (en) * 2021-09-29 2023-03-30 Lenovo (Beijing) Limited Image processing method and device
CN116416239A (zh) * 2023-04-13 2023-07-11 中国人民解放军海军军医大学第一附属医院 胰腺ct图像分类方法、图像分类模型、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992430A (zh) * 2015-04-14 2015-10-21 杭州奥视图像技术有限公司 基于卷积神经网络的全自动的三维肝脏分割方法
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN107784647A (zh) * 2017-09-29 2018-03-09 华侨大学 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992430A (zh) * 2015-04-14 2015-10-21 杭州奥视图像技术有限公司 基于卷积神经网络的全自动的三维肝脏分割方法
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN107784647A (zh) * 2017-09-29 2018-03-09 华侨大学 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHANGJIAN SUN ET AL: "Automatic segmentation of liver tumors from multiphase contrast-enhanced CT images based on FCNs", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 *
CHI WANG ET AL: "Automatic Liver Segmentation Using Multi-plane Integrated Fully Convolutional Neural Networks", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS BIOMEDICINE》 *
PATRICK FERDINAND CHRIST ET AL: "Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields", 《HTTPS://ARXIV.ORG/ABS/1610.02177》 *

Cited By (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619635B (zh) * 2019-07-25 2022-05-31 深圳大学 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN110619635A (zh) * 2019-07-25 2019-12-27 深圳大学 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN110427954A (zh) * 2019-07-26 2019-11-08 中国科学院自动化研究所 基于肿瘤影像的多区域的影像组学特征提取方法
CN110599500A (zh) * 2019-09-03 2019-12-20 南京邮电大学 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统
CN110599500B (zh) * 2019-09-03 2022-08-26 南京邮电大学 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统
CN114502068A (zh) * 2019-10-08 2022-05-13 拜耳公司 生成肝脏的无对比度增强的mrt图像
CN110853738A (zh) * 2019-10-12 2020-02-28 北京量健智能科技有限公司 一种造影剂作用下的成像方法与设备
CN110853738B (zh) * 2019-10-12 2023-08-18 拜耳股份有限公司 一种造影剂作用下的成像方法与设备
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN110956635B (zh) * 2019-11-15 2023-12-01 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN110929789A (zh) * 2019-11-22 2020-03-27 北京理工大学 基于多期ct影像分析的肝肿瘤自动分类方法及装置
CN110992383A (zh) * 2020-03-03 2020-04-10 天津精诊医疗科技有限公司 一种基于深度学习的ct图像肝脏动脉分割方法及系统
CN111476793A (zh) * 2020-03-10 2020-07-31 西北大学 动态增强磁共振成像处理方法、系统、存储介质、终端
CN111476793B (zh) * 2020-03-10 2023-04-18 西北大学 动态增强磁共振成像处理方法、系统、存储介质、终端
CN112767370A (zh) * 2020-05-28 2021-05-07 福州宜星大数据产业投资有限公司 基于图像配准的目标区域标注方法
CN112767370B (zh) * 2020-05-28 2024-02-20 福州宜星大数据产业投资有限公司 基于图像配准的目标区域标注方法
CN112037172A (zh) * 2020-07-30 2020-12-04 西安电子科技大学 基于轻量级卷积神经网络和空间先验传播的胰腺分割方法
CN112037172B (zh) * 2020-07-30 2023-08-11 西安电子科技大学 基于轻量级卷积神经网络和空间先验传播的胰腺分割方法
CN114155402A (zh) * 2020-08-21 2022-03-08 通用电气精准医疗有限责任公司 用于改善机器学习模型泛化能力的合成训练数据生成
CN111968137A (zh) * 2020-10-22 2020-11-20 平安科技（深圳）有限公司 头部ct图像分割方法、装置、电子设备及存储介质
CN112489059A (zh) * 2020-12-03 2021-03-12 山东承势电子科技有限公司 一种医学肿瘤分割和三维重建方法
CN112785605A (zh) * 2021-01-26 2021-05-11 西安电子科技大学 基于语义迁移的多时相ct图像肝肿瘤分割方法
CN112785605B (zh) * 2021-01-26 2023-07-28 西安电子科技大学 基于语义迁移的多时相ct图像肝肿瘤分割方法
CN112862784A (zh) * 2021-02-08 2021-05-28 杭州深睿博联科技有限公司 基于非局部注意力机制的多期相融合器官分割方法及装置
WO2022183321A1 (zh) * 2021-03-01 2022-09-09 华为技术有限公司 图像检测方法、装置和电子设备
CN112950600A (zh) * 2021-03-10 2021-06-11 武汉联影智融医疗科技有限公司 脑标识提取方法、装置、计算机设备和存储介质
CN112991298A (zh) * 2021-03-17 2021-06-18 广州中医药大学(广州中医药研究院) 模型构建方法、医学影像识别方法、装置及电子设备
CN113205111A (zh) * 2021-04-07 2021-08-03 零氪智慧医疗科技(天津)有限公司 适用于肝脏肿瘤的识别方法、装置及电子设备
CN113205111B (zh) * 2021-04-07 2023-05-26 零氪智慧医疗科技(天津)有限公司 适用于肝脏肿瘤的识别方法、装置及电子设备
CN113177953B (zh) * 2021-04-27 2024-04-26 平安科技（深圳）有限公司 肝脏区域分割方法、装置、电子设备及存储介质
CN113177953A (zh) * 2021-04-27 2021-07-27 平安科技（深圳）有限公司 肝脏区域分割方法、装置、电子设备及存储介质
CN113129297B (zh) * 2021-04-30 2024-03-26 复旦大学附属中山医院 基于多期相肿瘤影像的直径自动测量方法及系统
CN113299385B (zh) * 2021-04-30 2024-03-08 北京深睿博联科技有限责任公司 一种基于深度学习的胰腺囊性病变临床决策方法和系统
CN113299385A (zh) * 2021-04-30 2021-08-24 北京深睿博联科技有限责任公司 一种基于深度学习的胰腺囊性病变临床决策方法和系统
CN113129297A (zh) * 2021-04-30 2021-07-16 复旦大学附属中山医院 基于多期相肿瘤影像的直径自动测量方法及系统
CN113344938A (zh) * 2021-05-07 2021-09-03 西安智诊智能科技有限公司 一种肝脏肿瘤图像分割模型训练方法
CN113487536A (zh) * 2021-06-01 2021-10-08 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和存储介质
CN113409309A (zh) * 2021-07-16 2021-09-17 北京积水潭医院 肌肉ct影像勾画方法、系统、电子设备和机器存储介质
CN113409309B (zh) * 2021-07-16 2023-10-27 北京积水潭医院 肌肉ct影像勾画方法、系统、电子设备和机器存储介质
CN113657503A (zh) * 2021-08-18 2021-11-16 上海交通大学 一种基于多模态数据融合的恶性肝肿瘤分类方法
CN113935951A (zh) * 2021-09-13 2022-01-14 南京邮电大学 一种三通道级联SEU-Nets肝肿瘤分割方法
US20230103262A1 (en) * 2021-09-29 2023-03-30 Lenovo (Beijing) Limited Image processing method and device
CN114511599B (zh) * 2022-01-20 2022-09-20 推想医疗科技股份有限公司 模型训练方法及其装置、医学图像配准方法及其装置
CN114511599A (zh) * 2022-01-20 2022-05-17 推想医疗科技股份有限公司 模型训练方法及其装置、医学图像配准方法及其装置
CN115375621B (zh) * 2022-07-08 2023-09-05 王贵生 一种肝肿瘤消融路径规划方法及装置
CN115375621A (zh) * 2022-07-08 2022-11-22 王贵生 一种肝肿瘤消融路径规划方法及装置
CN115482247A (zh) * 2022-11-04 2022-12-16 北京精诊医疗科技有限公司 多期相融合的肝脏占位分割方法，模型、装置及存储介质
CN115457039B (zh) * 2022-11-14 2023-04-07 北京精诊医疗科技有限公司 一种用于hcc多期相数据的窗宽窗位自适应调节方法
CN115457039A (zh) * 2022-11-14 2022-12-09 北京精诊医疗科技有限公司 一种用于hcc多期相数据的窗宽窗位自适应调节方法
CN116416239A (zh) * 2023-04-13 2023-07-11 中国人民解放军海军军医大学第一附属医院 胰腺ct图像分类方法、图像分类模型、电子设备及介质
CN116416239B (zh) * 2023-04-13 2024-03-12 中国人民解放军海军军医大学第一附属医院 胰腺ct图像分类方法、图像分类模型、电子设备及介质

Similar Documents

Publication Publication Date Title
CN109961443A (zh) 基于多期ct影像引导的肝脏肿瘤分割方法及装置
Wang et al. Boundary-aware context neural network for medical image segmentation
CN109035255B (zh) 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN109598733B (zh) 基于深度全卷积神经网络的视网膜眼底图像分割方法
CN108596884B (zh) 一种胸部ct图像中的食管癌分割方法
CN107909581B (zh) Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN109886986A (zh) 一种基于多分支卷积神经网络的皮肤镜图像分割方法
CN108198184B (zh) 造影图像中血管分割的方法和系统
RU2739713C1 (ru) Обучение аннотированию объектов в изображении
ES2686293T3 (es) Método para cuantificar y capturar imágenes de elementos de un tumor
Zhao et al. Deep feature learning with discrimination mechanism for brain tumor segmentation and diagnosis
CN105913432B (zh) 基于ct序列图像的主动脉提取方法及装置
CN109102502A (zh) 基于三维卷积神经网络的肺结节检测方法
CN107624193A (zh) 腹腔镜和内窥镜2d/2.5d图像数据中语义分割的方法和系统
CN109636808A (zh) 一种基于全卷积神经网络的肺叶分割方法
CN107871318A (zh) 一种基于模型迁移的冠状动脉钙化斑块检测方法
CN110070540A (zh) 图像生成方法、装置、计算机设备及存储介质
CN102622750A (zh) 基于交互式区域生长的胃部ct序列图像分割方法
CN108986115A (zh) 医学图像分割方法、装置及智能终端
CN110008992B (zh) 一种用于前列腺癌辅助诊断的深度学习方法
CN109919915A (zh) 基于深度学习的视网膜眼底图像异常区域检测方法及设备
Li et al. Multi-stage attention-unet for wireless capsule endoscopy image bleeding area segmentation
CN109215040A (zh) 一种基于多尺度加权学习的乳腺肿瘤分割方法
Shen et al. Medical image segmentation based on Transformer and HarDNet structures
JP5105997B2 (ja) 医用画像処理装置、医用画像診断装置、及びプログラム

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190702

RJ01 Rejection of invention patent application after publication