CN110163847A - 基于ct/mr影像的肝脏肿瘤分割方法及装置 - Google Patents
基于ct/mr影像的肝脏肿瘤分割方法及装置 Download PDFInfo
- Publication number
- CN110163847A CN110163847A CN201910334939.4A CN201910334939A CN110163847A CN 110163847 A CN110163847 A CN 110163847A CN 201910334939 A CN201910334939 A CN 201910334939A CN 110163847 A CN110163847 A CN 110163847A
- Authority
- CN
- China
- Prior art keywords
- image
- liver
- sequence
- image sequence
- processing
- 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
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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- 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
Abstract
本发明涉及医学影像处理技术领域,具体涉及一种基于CT/MR影像的肝脏肿瘤分割方法及装置。本发明的实施例提供了基于CT/MR影像的肝脏肿瘤分割方法及装置,通过利用深度学习中的全卷积神经网络技术,配合以大量经过医生手动勾画肝脏和肿瘤区域的CT/MR影像作为金标准输入网络中进行训练学习,网络能根据这些金标准自动学习肝脏和肿瘤的内在特征,并在有新数据输入的时候,能根据先验知识来对其进行预测。模型训练完成后,整个肿瘤分割过程可实现自动化,无需利用医生的专业知识即可实现理想的肝脏肿瘤分割结果,提高系统的实时性和导航的准确性,为CT/MR影像引导的腹腔微创手术提供一种便利的方法和工具。
Description
技术领域
本发明涉及医学影像处理技术领域,具体涉及一种基于CT/MR影像的肝脏肿瘤分割方法及装置。
背景技术
CT/MR成像已是一个成熟的和被广泛使用的医学成像技术。CT/MR成像系统的成本适中,操作简单,密度分辨率高,断面解剖关系清楚,病变细节显示良好,无骨骼伪影干扰,可进行图像重建等优点,对病情的定性诊断很有帮助。除此之外,CT/MR是一种相对安全的成像模式,被广泛应用于临床微创手术的辅助诊疗过程中。
近年来,利用计算机开发模型来进行肝脏肿瘤的分割研究得到了广泛的关注,主要可以分为基于传统的医学图像分割方法和基于机器学习的分割方法两类。传统的医学图像分割方法主要有阈值法、主动轮廓、区域生长和水平集法。基于机器学习的分割方法有支持向量机、聚类方法、词袋模型和AdaBoost等方法。但是,传统的医学图像分割方法多属于半自动分割方法,比如主动轮廓法就需要手动在肝脏肿瘤边缘预先确定一部分轮廓点,形成一个初始轮廓,算法才会去主动拟合这个肿瘤的边界,这非常依赖操作医生的主观经验和知识,而且实际分割效果也并不理想。另外,传统的机器学习分割方法需要手动设计和选择肝脏肿瘤的特征,这需要非常专业的数学及病理学相关知识,也为开发模型带来了挑战。由此可见,肝脏肿瘤的分割方法虽广泛受到了关注并取得了一定的研究成果,但仍然存在以下几个方面的缺陷:
1.每个患者体内的肿瘤尺寸、形状、位置、数量等各不相同,极大的妨碍了传统分割方法的鲁棒性。
2.一些肿瘤的边缘与肝实质十分相近,边界不清晰,给很多基于边缘分割的方法带来了困扰。
3.不同医院采集的CT/MR图像的层数也各不一致,厚度一般在0.45mm到6mm不等,这也给设计精准的自动分割算法带来了挑战。
4.机器学习算法在各不同模态下都需要手动设计特征提取的方法,然后重新训练分类器,抗干扰性不强,如果数据稍有变动,就会对分割结果造成较大影响。
鉴于此,克服以上现有技术中的缺陷,提供一种新的基于CT/MR影像的肝脏肿瘤分割方法及装置成为本领域亟待解决的技术问题。
发明内容
本发明的目的在于针对现有技术的上述缺陷,提供一种基于CT/MR影像的肝脏肿瘤分割方法及装置。
本发明的目的可通过以下的技术措施来实现:
本发明一方面提供了一种基于CT/MR影像的肝脏肿瘤分割方法,该方法包括:
采集患者的腹部CT/MR影像序列,记为第一CT/MR影像序列;
根据所述第一CT/MR影像序列,分别获取肝脏和肿瘤区域的CT/MR影像,并预设为肝脏金标准和肿瘤金标准;
对所述第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列;
构建第一深度全卷积神经网络,输入所述第二CT/MR影像序列进行训练学习,根据所述肝脏金标准自动学习并提取肝脏的内在特征,在所述第二CT/MR影像序列中分割出肝脏感兴趣区域序列;
构建第二深度全卷积神经网络,输入所述肝脏感兴趣区域序列进行训练学习,根据所述肿瘤金标准自动学习并提取肿瘤的内在特征,在所述肝脏感兴趣区域序列中分割出肿瘤序列。
优选地,所述第一CT/MR影像序列包括训练数据和测试数据。
优选地,“对所述第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列”的步骤包括:
输入所述第一CT/MR影像序列;
对所述第一CT/MR影像序列依次进行加窗处理、N4偏差矫正处理、直方图均衡处理和对比度增强处理后生成第二CT/MR影像序列;
输出所述第二CT/MR影像序列。
优选地,在“构建第一深度全卷积神经网络”的步骤之前,该方法还包括:
对所述第二CT/MR影像序列进行数据增强处理,所述数据增强处理包括:依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。
优选地,在“构建第二深度全卷积神经网络”的步骤之前,该方法还包括:
对所述肝脏感兴趣区域序列进行数据增强处理,所述数据增强处理包括:依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。
优选地,所述第一深度全卷积神经网络和所述第二深度全卷积神经网络的结构相同,所述第一深度全卷积神经网络和所述第二深度全卷积神经网络的结构均包括卷积层、池化层和上采样层。
本发明的另一个方面提供了一种基于CT/MR影像的肝脏肿瘤分割装置,该装置包括:
影像采集单元,用于采集患者的腹部CT/MR影像序列,记为第一CT/MR影像序列;
金标准预设单元,用于根据所述第一CT/MR影像序列,分别获取肝脏和肿瘤区域的CT/MR影像,并预设为肝脏金标准和肿瘤金标准;
影像预处理单元,用于对所述第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列;
第一训练单元,用于构建第一深度全卷积神经网络,输入所述第二CT/MR影像序列进行训练学习,根据所述肝脏金标准自动学习并提取肝脏的内在特征,在所述第二CT/MR影像序列中分割出肝脏感兴趣区域序列;
第二训练单元,用于构建第二深度全卷积神经网络,输入所述肝脏感兴趣区域序列进行训练学习,根据所述肿瘤金标准自动学习并提取肿瘤的内在特征,在所述肝脏感兴趣区域序列中分割出肿瘤序列。
优选地,所述第一CT/MR影像序列包括训练数据和测试数据。
优选地,所述影像预处理单元包括:依次设置的输入模块、加窗模块、N4偏差矫正模块、直方图均衡模块、对比度增强模块和输出模块,所述输入模块用于输入所述第一CT/MR影像序列,所述输出模块用于输出所述第二CT/MR影像序列。
优选地,所述装置还包括第一数据增强单元和第二数据增强单元,所述第一数据增强单元用于对所述第二CT/MR影像序列进行数据增强处理,所述第二数据增强单元用于对所述肝脏感兴趣区域序列进行数据增强处理,所述第一数据增强单元和所述第二数据增强单元均包括:依次设置的镜像翻转模块、旋转模块、加噪模块和扭曲模块。
本发明通过利用深度学习中的全卷积神经网络技术,配合肝脏和肿瘤区域的CT/MR影像作为金标准输入网络中进行训练学习,自动学习肝脏和肿瘤的内在特征,训练完成后,整个肿瘤分割过程可实现自动化,无需利用医生的专业知识即可实现理想的的肿瘤分割结果,提高系统的实时性和导航的准确性,为CT/MR影像引导的腹腔微创手术提供一种便利的方法和工具。
附图说明
图1是本发明的基于CT/MR影像的肝脏肿瘤分割方法的第一种实施例的流程图。
图2是本发明的基于CT/MR影像的肝脏肿瘤分割方法中的数据预处理的流程图。
图3是本发明的基于CT/MR影像的肝脏肿瘤分割方法的第二种实施例的流程图。
图4是本发明的基于CT/MR影像的肝脏肿瘤分割方法中对第二CT/MR影像序列进行数据增强处理的的流程图。
图5是本发明的基于CT/MR影像的肝脏肿瘤分割方法的第三种实施例的流程图。
图6是本发明的基于CT/MR影像的肝脏肿瘤分割方法中对肝脏感兴趣区域序列进行数据增强处理的的流程图。
图7是本发明的基于CT/MR影像的肝脏肿瘤分割方法中构建第一深度全卷积神经网络的流程图。
图8是本发明的基于CT/MR影像的肝脏肿瘤分割方法中构建第二深度全卷积神经网络的流程图。
图9是本发明的基于CT/MR影像的肝脏肿瘤分割装置的第一种结构框图。
图10是本发明的基于CT/MR影像的肝脏肿瘤分割装置中的影像预处理单元的结构框图。
图11是本发明的基于CT/MR影像的肝脏肿瘤分割装置的第二种结构框图。
图12是本发明的基于CT/MR影像的肝脏肿瘤分割装置中的第一数据增强单元和第二数据增强单元的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了使本揭示内容的叙述更加详尽与完备,下文针对本发明的实施方式与具体实施例提出了说明性的描述;但这并非实施或运用本发明具体实施例的唯一形式。实施方式中涵盖了多个具体实施例的特征以及用以构建与操作这些具体实施例的方法步骤与其顺序。然而,亦可利用其它具体实施例来达成相同或均等的功能与步骤顺序。
本发明的实施例提供了基于CT/MR影像的肝脏肿瘤分割方法及装置,适用于基于CT/MR影像引导的腹腔微创手术领域,通过利用深度学习中的全卷积神经网络技术,配合以大量经过医生手动勾画肝脏和肿瘤区域的CT/MR影像作为金标准输入网络中进行训练学习,网络能根据这些金标准自动学习肝脏和肿瘤的内在特征,并在有测试数据输入的时候,能根据先验知识来对其进行预测。模型训练完成后,整个肿瘤分割过程可实现自动化,无需利用医生的专业知识即可实现理想的肿瘤分割结果,提高系统的实时性和导航的准确性,为CT/MR影像引导的腹腔微创手术提供一种便利的方法和工具。
本发明的实施例提供了基于CT/MR影像的肝脏肿瘤分割方法,图1示出了一种基于CT/MR影像的肝脏肿瘤分割方法,请参见图1,该方法包括:
步骤S1:采集患者的腹部CT/MR影像序列,记为第一CT/MR影像序列;
步骤S2:根据第一CT/MR影像序列,分别获取肝脏和肿瘤区域的CT/MR影像,预设为肝脏金标准和肿瘤金标准;
进一步地,金标准用于后续第一/第二深度全卷积神经网络分割模型的输入。医院将采集的腹部CT/MR影像序列导入到计算机中,医生使用标注软件对任意CT/MR影像序列上包含肝脏和肿瘤的切片进行手动标注,并将标注好的数据按照4:1的比例划分为训练数据和测试数据。
步骤S3:对第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列;
进一步地,请参见图2,步骤S3包括以下步骤:
步骤S201:输入第一CT/MR影像序列;
步骤S202:对第一CT/MR影像序列依次进行加窗处理、N4偏差矫正处理、直方图均衡处理和对比度增强处理后生成第二CT/MR影像序列;
进一步地,将第一CT/MR影像序列进行Hounsfield单元加窗处理,窗值设置在-100至400HU范围内,以滤除第一CT/MR影像序列中一些不相关的器官组织和杂质成分,再将经过加窗处理后的数据依次进行N4偏差矫正处理、直方图均衡处理和对比度增强处理,提高肝脏及肿瘤和周围其他器官组织的像素差异性,便于后续的分割网络进行训练学习。
步骤S203:输出第二CT/MR影像序列。
步骤S4:构建第一深度全卷积神经网络,输入第二CT/MR影像序列进行训练学习,根据肝脏金标准自动学习并提取肝脏的内在特征,在第二CT/MR影像序列中分割出肝脏感兴趣区域序列;
具体地,第一深度全卷积神经网络构建完成后,输入第二CT/MR影像序列进行训练学习,同时根据肝脏金标准自动学习并提取肝脏的内在特征,在第二CT/MR影像序列中分割出肝脏感兴趣区域序列,完成肝脏模型训练,同时将训练好的模型转化为参数的形式进行存储,当有测试数据输入时,直接使用训练好的肝脏模型作用其上输出分割结果即可,实现全自动化分割。
步骤S5:构建第二深度全卷积神经网络,输入肝脏感兴趣区域序列进行训练学习,根据肿瘤金标准自动学习并提取肿瘤的内在特征,在肝脏感兴趣区域序列中分割出肿瘤序列。
具体地,第二深度全卷积神经网络构建完成后,输入肝脏感兴趣区域序列进行训练学习,同时根据肿瘤金标准自动学习并提取肿瘤的内在特征,在肝脏感兴趣区域序列分割出肿瘤序列,完成肿瘤模型训练,同时将训练好的模型转化为参数的形式进行存储,当有测试数据输入时,直接使用训练好的肿瘤模型所用其上输出分割结果,实现全自动化分割。
进一步地,请参见图3,在步骤S4之前,该方法还包括步骤S4’:对第二CT/MR影像序列进行数据增强处理;步骤S4’具体为:数据增强处理包括:依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。
具体地,请参见图4,数据增强处理的流程如下进行:
步骤S401:输入第二CT/MR影像序列;
步骤S402:将第二CT/MR影像序列沿上、下、左、右四个轴向方向进行翻转生成新序列;
步骤S403:将步骤S402的新序列分别旋转45度、90度、135度和180度方向生成新序列;
步骤S404:将步骤S403的新序列加随机噪声生成新序列;
步骤S405:设定一组随机形变参数,将步骤S404的新序列上的一些器官组织发生一定程度的扭曲形变生成新序列;
步骤S406:输出经过上述数据增强处理后的第二CT/MR影像序列。
通过上述数据增强处理,可以丰富训练数据的类别,提高分割模型的鲁棒性,让网络训练变得更加完善。
进一步地,请参见图5,在步骤S5之前,该方法还包括步骤S5’:对肝脏感兴趣区域序列进行数据增强处理;步骤S5’具体为:数据增强处理包括:依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。
具体地,请参见图6,数据增强处理的流程如下进行:
步骤S601:输入肝脏感兴趣区域序列;
步骤S602:将肝脏感兴趣区域序列沿上、下、左、右四个轴向方向进行翻转生成新序列;
步骤S603:将步骤S602的新序列分别旋转45度、90度、135度和180度方向生成新序列;
步骤S604:将步骤S603的新序列加随机噪声生成新序列;
步骤S605:设定一组随机形变参数,将步骤S604的新序列上的一些器官组织发生一定程度的扭曲形变生成新序列;
步骤S606:输出经过上述数据增强处理后的肝脏感兴趣区域序列。
通过上述数据增强处理,可以丰富训练数据的类别,提高分割模型的鲁棒性,即可以相对丰富的模拟各种肝脏肿瘤可能出现的位置、大小、数量等情况,让网络训练变得更加完善。
进一步地,第一深度全卷积神经网络和第二深度全卷积神经网络的结构相同,第一深度全卷积神经网络和第二深度全卷积神经网络的结构均包括卷积层、池化层和上采样层。
具体地,请参见图7,第一深度全卷积神经网络的构建流程图如下:
步骤S701:将腹部CT/MR影像序列输入3个3×3的卷积层中用来提取特征,每经过一个卷积层后都通过步长为1的填充操作将此层的输出特征图保持与输入特征图具有相同的尺寸。
步骤S702:将步骤S701中的输出特征图经过一个2×2的池化层进行缩放,并将缩放后的特征图经过2个3×3的卷积层进一步提取特征,并通过填充操作将此层的输出特征图保持与输入特征图具有相同的尺寸。
步骤S703:将步骤S702中的输出特征图经过一个2×2的池化层进行缩放,并将缩放后的特征图经过2个3×3的卷积层进一步提取特征,并通过填充操作将此层的输出特征图保持与输入特征图具有相同的尺寸。
步骤S704:将步骤S703的输出特征图经过一个2×2的池化层进行缩放,并将缩放后的特征图经过2个3×3的卷积层进一步提取特征,并通过填充操作将此层的输出特征图保持与输入特征图具有相同的尺寸。
步骤S705:将步骤S704的输出特征图经过一个2×2的池化层进行缩放,并将缩放后的特征图经过2个3×3的卷积层进一步提取特征,并通过填充操作将此层的输出特征图保持与输入特征图具有相同的尺寸。
步骤S706:将步骤S705的输出经过一个2×2的上采样层,以对学习到的特征进行恢复,并继续经过2个3×3的卷积层和步长为1的填充操作,得到此层的特征图。
步骤S707:将步骤S706的输出特征图经过一个2×2的上采样层,并经过2个3×3的卷积层和步长为1的填充操作,得到此层的特征图。
步骤S708:将步骤S707的输出特征图经过一个2×2的上采样层,并经过2个3×3的卷积层和步长为1的填充操作,得到此层的特征图。
步骤S709:将步骤S708的输出特征图经过一个2×2的上采样层,并经过2个3×3的卷积层和步长为1的填充操作,得到此层的特征图,至此,第一深度全卷积神经网络构建完成,在第二CT/MR影像序列中分割得到肝脏感兴趣区域序列。
请参见图8,第一深度全卷积神经网络和第二深度全卷积神经网络的结构相同,构建流程也相同,将第一深度全卷积神经网络输出的肝脏感兴趣区域序列作为第二深度全卷积神经网络的输入,完成第二深度全卷积神经网络的构建,在肝脏感兴趣区域序列中分割出肿瘤序列。
与现有的CT/MR影像引导的腹腔微创手术肝肿瘤分割方法相比,本系统的优点在于:
1、对具有不同肿瘤尺寸、形状、位置、数量的病患情况,由于模型通过训练已经学习了肿瘤相应的内在特性,因此可以较为准确的对这些情形进行分割,提高了系统鲁棒性。
2、对于肿瘤边缘模糊的情况,由于系统使用了对比度增强的数据预处理操作,网络通过大量此类的数据进行学习后可以较为敏感的捕捉肿瘤边缘处细微的特征差别,从而能更妥善的处理边缘处的信息。
3、对于不同医院不同型号采集的CT/MR影像序列层数不一致的情形,本实施例只要搜集大量的切片,对其进行镜像、旋转、扭曲等数据增强操作后,令训练数据量变得足够大,以此训练得到的模型可适用于多种切片厚度的病例。
4、对于传统机器学习算法需要手动设计特征提取方法的情形,本实施例设计的深度全卷积神经网络只需要输入医生标记好的影像到网络中训练即可,模型会自动学习并提取肿瘤的内在特征,并通过参数形式进行存储,若有新的测试数据输入,直接用训练好的模型输出分割结果即可,实现全自动分割。
本发明的实施例还提供了一种基于CT/MR影像的肝脏肿瘤分割装置,请参见图9,该装置包括:
影像采集单元10,用于采集患者的腹部CT/MR影像序列,记为第一CT/MR影像序列;
金标准获取单元20,用于根据第一CT/MR影像序列,分别获取肝脏和肿瘤区域的CT/MR影像,并预设为肝脏金标准和肿瘤金标准;
影像预处理单元30,用于对第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列;
第一训练单元40,用于构建第一深度全卷积神经网络,输入第二CT/MR影像序列进行训练学习,根据肝脏金标准自动学习并提取肝脏的内在特征,在第二CT/MR影像序列中分割出肝脏感兴趣区域序列;
第二训练单元50,用于构建第二深度全卷积神经网络,输入肝脏感兴趣区域序列进行训练学习,根据肿瘤金标准自动学习并提取肿瘤的内在特征,在肝脏感兴趣区域序列中分割出肿瘤序列。
进一步地,第一CT/MR影像序列包括训练数据和测试数据。
进一步地,请参见图10,影像预处理单元30包括:依次设置的输入模块301、加窗模块302、N4偏差矫正模块303、直方图均衡模块304、对比度增强模块305和输出模块306,输入模块301用于输入第一CT/MR影像序列,输出模块306用于输出第二CT/MR影像序列。
进一步地,请参见图11,该装置还包括第一数据增强单元60和第二数据增强单元70,第一数据增强单元60用于对第二CT/MR影像序列进行数据增强处理,第二数据增强单元70用于对肝脏感兴趣区域序列进行数据增强处理,请参见图12,第一数据增强单元60和第二数据增强单元70均包括:依次设置的镜像翻转模块601、旋转模块602、加噪模块603和扭曲模块604。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于CT/MR影像的肝脏肿瘤分割方法,其特征在于,该方法包括:
采集患者的腹部CT/MR影像序列,记为第一CT/MR影像序列;
根据所述第一CT/MR影像序列,分别获取肝脏和肿瘤区域的CT/MR影像,并预设为肝脏金标准和肿瘤金标准;
对所述第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列;
构建第一深度全卷积神经网络,输入所述第二CT/MR影像序列进行训练学习,根据所述肝脏金标准自动学习并提取肝脏的内在特征,在所述第二CT/MR影像序列中分割出肝脏感兴趣区域序列;
构建第二深度全卷积神经网络,输入所述肝脏感兴趣区域序列进行训练学习,根据所述肿瘤金标准自动学习并提取肿瘤的内在特征,在所述肝脏感兴趣区域序列中分割出肿瘤序列。
2.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法,其特征在于,所述第一CT/MR影像序列包括训练数据和测试数据。
3.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法,其特征在于,“对所述第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列”的步骤包括:
输入所述第一CT/MR影像序列;
对所述第一CT/MR影像序列依次进行加窗处理、N4偏差矫正处理、直方图均衡处理和对比度增强处理后生成第二CT/MR影像序列;
输出所述第二CT/MR影像序列。
4.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法,其特征在于,在“构建第一深度全卷积神经网络”的步骤之前,该方法还包括:
对所述第二CT/MR影像序列进行数据增强处理,所述数据增强处理包括:依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。
5.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法,其特征在于,在“构建第二深度全卷积神经网络”的步骤之前,该方法还包括:
对所述肝脏感兴趣区域序列进行数据增强处理,所述数据增强处理包括:依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。
6.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法,其特征在于,所述第一深度全卷积神经网络和所述第二深度全卷积神经网络的结构相同,所述第一深度全卷积神经网络和所述第二深度全卷积神经网络的结构均包括卷积层、池化层和上采样层。
7.一种基于CT/MR影像的肝脏肿瘤分割装置,其特征在于,该装置包括:
影像采集单元,用于采集患者的腹部CT/MR影像序列,记为第一CT/MR影像序列;
金标准预设单元,用于根据所述第一CT/MR影像序列,分别获取肝脏和肿瘤区域的CT/MR影像,并预设为肝脏金标准和肿瘤金标准;
影像预处理单元,用于对所述第一CT/MR影像序列进行预处理,获得第二CT/MR影像序列;
第一训练单元,用于构建第一深度全卷积神经网络,输入所述第二CT/MR影像序列进行训练学习,根据所述肝脏金标准自动学习并提取肝脏的内在特征,在所述第二CT/MR影像序列中分割出肝脏感兴趣区域序列;
第二训练单元,用于构建第二深度全卷积神经网络,输入所述肝脏感兴趣区域序列进行训练学习,根据所述肿瘤金标准自动学习并提取肿瘤的内在特征,在所述肝脏感兴趣区域序列中分割出肿瘤序列。
8.根据权利要求7所述的基于CT/MR影像的肝脏肿瘤分割装置,其特征在于,所述第一CT/MR影像序列包括训练数据和测试数据。
9.根据权利要求7所述的基于CT/MR影像的肝脏肿瘤分割装置,其特征在于,所述影像预处理单元包括:依次设置的输入模块、加窗模块、N4偏差矫正模块、直方图均衡模块、对比度增强模块和输出模块,所述输入模块用于输入所述第一CT/MR影像序列,所述输出模块用于输出所述第二CT/MR影像序列。
10.根据权利要求7所述的基于CT/MR影像的肝脏肿瘤分割装置,其特征在于,所述装置还包括第一数据增强单元和第二数据增强单元,所述第一数据增强单元用于对所述第二CT/MR影像序列进行数据增强处理,所述第二数据增强单元用于对所述肝脏感兴趣区域序列进行数据增强处理,所述第一数据增强单元和所述第二数据增强单元均包括:依次设置的镜像翻转模块、旋转模块、加噪模块和扭曲模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334939.4A CN110163847A (zh) | 2019-04-24 | 2019-04-24 | 基于ct/mr影像的肝脏肿瘤分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334939.4A CN110163847A (zh) | 2019-04-24 | 2019-04-24 | 基于ct/mr影像的肝脏肿瘤分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163847A true CN110163847A (zh) | 2019-08-23 |
Family
ID=67639989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910334939.4A Pending CN110163847A (zh) | 2019-04-24 | 2019-04-24 | 基于ct/mr影像的肝脏肿瘤分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163847A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184720A (zh) * | 2020-08-27 | 2021-01-05 | 首都医科大学附属北京同仁医院 | 一种ct图像的内直肌和视神经分割方法及系统 |
CN112241948A (zh) * | 2020-09-23 | 2021-01-19 | 深圳视见医疗科技有限公司 | 一种自适应层厚的肺结节检测分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011089517A1 (fr) * | 2010-01-25 | 2011-07-28 | Vesalis | Procede et dispositif de reconnaissance de visages en conditions de poses variables |
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 |
CN108460764A (zh) * | 2018-03-31 | 2018-08-28 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
CN109102506A (zh) * | 2018-08-20 | 2018-12-28 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
-
2019
- 2019-04-24 CN CN201910334939.4A patent/CN110163847A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011089517A1 (fr) * | 2010-01-25 | 2011-07-28 | Vesalis | Procede et dispositif de reconnaissance de visages en conditions de poses variables |
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 |
CN108460764A (zh) * | 2018-03-31 | 2018-08-28 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
CN109102506A (zh) * | 2018-08-20 | 2018-12-28 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184720A (zh) * | 2020-08-27 | 2021-01-05 | 首都医科大学附属北京同仁医院 | 一种ct图像的内直肌和视神经分割方法及系统 |
CN112184720B (zh) * | 2020-08-27 | 2024-04-23 | 首都医科大学附属北京同仁医院 | 一种ct图像的内直肌和视神经分割方法及系统 |
CN112241948A (zh) * | 2020-09-23 | 2021-01-19 | 深圳视见医疗科技有限公司 | 一种自适应层厚的肺结节检测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097559B (zh) | 基于深度学习的眼底图像病灶区域标注方法 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN108364294B (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
CN108765392B (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
CN109118495A (zh) | 一种视网膜血管分割方法和装置 | |
CN109859203A (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN107203989A (zh) | 基于全卷积神经网络的端对端胸部ct图像分割方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
CN110188767B (zh) | 基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置 | |
CN102831614B (zh) | 基于交互式字典迁移的序列医学图像快速分割方法 | |
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 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN106909947A (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
CN106780497A (zh) | 一种基于统计信息的器官血管树自动提取方法 | |
CN110163847A (zh) | 基于ct/mr影像的肝脏肿瘤分割方法及装置 | |
CN110599530B (zh) | 基于双正则约束的mvct图像纹理增强方法 | |
Nagtode et al. | Two dimensional discrete Wavelet transform and Probabilistic neural network used for brain tumor detection and classification | |
CN111091574B (zh) | 一种基于单像素特征的医学图像分割方法 | |
DE102020211945A1 (de) | Verfahren und Anordnung zur automatischen Lokalisierung von Organsegmenten in einem dreidimensionalen Bild | |
Sasikala et al. | Soft Computing based Brain Tumor Categorization with Machine Learning Techniques | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 |
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: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |