CN110415219A - 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 - Google Patents
基于深度分割网络的医学图像处理方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN110415219A CN110415219A CN201910601644.9A CN201910601644A CN110415219A CN 110415219 A CN110415219 A CN 110415219A CN 201910601644 A CN201910601644 A CN 201910601644A CN 110415219 A CN110415219 A CN 110415219A
- Authority
- CN
- China
- Prior art keywords
- image
- midline
- network
- brain
- end point
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 45
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 210000004556 brain Anatomy 0.000 claims abstract description 52
- 230000009466 transformation Effects 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 7
- 208000006011 Stroke Diseases 0.000 description 5
- 208000030886 Traumatic Brain injury Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009529 traumatic brain injury Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000007917 intracranial administration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于深度分割网络的医学图像处理方法及装置、设备、存储介质。该方法包括输入CT图像,其中所述CT图像是指对患者脑部图像的采集结果;基于标准化网络,估计粗尺度的脑中线结构;根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点;根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵;经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。本申请解决了医学图像处理不够全面、不准确的技术问题。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种基于深度分割网络的医学图像处理方法及装置、设备、存储介质。
背景技术
脑卒中、创伤性脑损伤,是导致成人残疾、死亡的主要原因。平扫CT图像的中线结构通常与高颅内压相关,能够为医生评估脑卒中或创伤性脑损伤的严重程度提供了丰富的信息。
发明人发现,如果预测中线是否偏移只能提供有限的诊断信息,如何能识别出整个中线结构才可以提供待诊断影像的全面量化特征。
针对相关技术中医学图像处理不够全面、不准确的问题,目前尚未提出有效的解决方。
发明内容
本申请的主要目的在于提供一种基于深度分割网络的医学图像处理方法及装置、设备、存储介质,以解决医学图像处理不够全面、不准确的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种基于深度分割网络的医学图像处理方法。
根据本申请的基于深度分割网络的医学图像处理方法包括:输入CT图像,其中所述CT图像是指对患者脑部图像的采集结果;基于标准化网络,估计粗尺度的脑中线结构,其中所述标准化网络是指UNet;根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,其中,所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线;根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵;经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。
进一步地,据权利要求1所述的基于深度分割网络的医学图像处理方法,其特征在于,基于标准化网络,估计粗尺度的脑中线结构包括:在CT医学图像扫描期间根据不同患者的大脑在CT图像中的相对位置,基于UNet的标准化网络来估计粗尺度的中线结构;通过所述粗尺度的中线结构将图像映射到标准空间。
进一步地,根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵包括:
通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
其中,(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
进一步地,经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理之后,还包括:
通过标准化图像训练得到中线分割网络,其中所述中线分割网络中采用CoordConv层对空间信息进行建模或者所述中线分割网络中采用Cascade AtrousConv模块扩大中线分割网络的感受野。
根据所述中线分割网络,采用预设寻路算法输出中线检测结果,以使中线检测结果是连续的。
为了实现上述目的,根据本申请的另一方面,提供了一种基于深度分割网络的医学图像处理装置。
根据本申请的基于深度分割网络的医学图像处理装置包括:输入模块,用于输入CT图像,其中所述CT图像是指对患者脑部图像的采集结果;估计模块,用以基于标准化网络,估计粗尺度的脑中线结构,其中所述标准化网络是指UNet;定位模块,用以根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,其中,所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线;计算模块,根据所述第一端点和中线的第二端点,计算相对偏移角度,得到变换矩阵;变换模块,用于经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。
进一步地,所述估计模块包括:变换单元,用于
在CT医学图像扫描期间根据不同患者的大脑在CT图像中的相对位置,基于UNet的标准化网络来估计粗尺度的中线结构;
通过所述粗尺度的中线结构将图像映射到标准空间。
进一步地,所述定位模块包括:空间变换单元,用于
通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
其中,(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
为了实现上述目的,根据本申请的又一方面,提供了一种电子设备,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,其特征在于,所述处理器执行所述程序时实现所述的基于深度分割网络的医学图像处理方法的步骤。
为了实现上述目的,根据本申请的再一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现所述的基于深度分割网络的医学图像处理方法的步骤。
在本申请实施例中基于深度分割网络的医学图像处理方法及装置,采用基于标准化网络,估计粗尺度的脑中线结构的方式,通过根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,达到了根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵的目的,从而实现了经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理的技术效果,进而解决了医学图像处理不够全面、不准确的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于深度分割网络的医学图像处理方法流程示意图;
图2是根据本申请实施例的基于深度分割网络的医学图像处理装置结构示意图;
图3是根据本申请实施例的CoordConv层实现原理示意图;
图4是根据本申请实施例的Cascade AtrousConv模块实现原理示意图;
图5是根据本申请实施例的实现原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,该方法包括如下的步骤S102至步骤S108:
步骤S102,输入CT图像,
所述CT图像是指对患者脑部图像的采集结果。
通常平扫CT图像的中线结构通常与高颅内压相关。因此,它们为医生评估脑卒中或创伤性脑损伤的严重程度提供了丰富的信息。
步骤S104,基于标准化网络,估计粗尺度的脑中线结构,
所述标准化网络是指UNet。
步骤S106,根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,
所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线。
步骤S108,根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵;
步骤S110,经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。
具体地,CT扫描期间,患者头部通常不进行固定,因此不同患者的大脑在CT图像中的相对位置通常不一致。考虑到中线检测任务对位置信息敏感,在本申请的实施例中通过上述步骤,将图像映射到标准空间。采用基于UNet的标准化网络来估计粗尺度的中线结构,从而可以定位中线的两个端点。
从以上的描述中,可以看出,本申请实现了如下技术效果:
在本申请实施例中,采用基于标准化网络,估计粗尺度的脑中线结构的方式,通过根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,达到了根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵的目的,从而实现了经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理的技术效果,进而解决了医学图像处理不够全面、不准确的技术问题。并且经过试验结果验证,如果没有使用图像标准化,性能会大幅降低。
根据本申请实施例,作为本实施例中的优选,基于标准化网络,估计粗尺度的脑中线结构包括:
在CT医学图像扫描期间根据不同患者的大脑在CT图像中的相对位置,基于UNet的标准化网络来估计粗尺度的中线结构;
通过所述粗尺度的中线结构将图像映射到标准空间。
具体地,在CT医学图像扫描期间不同患者的大脑在CT图像中的相对位置通常不一致,基于UNet的标准化网络来估计粗尺度的中线结构。得到所述粗尺度的中线结构后进行标准空间映射。
优选地,在上述实施例中,根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵包括:
通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
其中,(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
根据本申请实施例,作为本实施例中的优选,经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理之后,还包括:
通过标准化图像训练得到中线分割网络,其中所述中线分割网络中采用CoordConv层对空间信息进行建模或者所述中线分割网络中采用Cascade AtrousConv模块扩大中线分割网络的感受野。
具体地,在本申请的实施例中通过建模中线像素级别的结构,以准确地量化对临床应用至关重要的中线病理特征。基于U型网络在本申请的实施例中采用CoordConv层以利用大脑中线的空间信息,以及Cascade AtrousConv模块以扩大网络的感受野。
根据本申请实施例,作为本实施例中的优选,方法还包括:
根据所述中线分割网络,采用预设寻路算法输出中线检测结果,以使中线检测结果是连续的。
具体地,在本申请的实施例中采用了一种寻路算法,用于选择最优中线结构,通过这种方式,预测的中线可以保证是连续的。
在标准空间中,头颅的中线结构是一条连续线,由每行中的一个点组成。给定分割网络的初始概率预测,寻路算法的目标方程。在此基础之上,本文定义二元势函数,作为不同行之间像素选择的平滑项。优选地,在本申请的实施例中仅考虑相邻行之间的平滑项计算。
在本申请的另一实施例中,基于深度分割网络的医学图像处理方法可用于脑中线的医学图像检测处理中,自动中线检测可以量化中线偏移并加速急诊医师对大脑的解释和决策。将中线相关的病理特征与其它信息比如性别,年龄的结合,可有益于神经外科医生和神经放射学家对脑卒中和创伤性脑损伤的临床诊断和预后治疗。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述方法的基于深度分割网络的医学图像处理装置,如图2所示,该装置包括:输入模块10,用于输入CT图像,其中所述CT图像是指对患者脑部图像的采集结果;估计模块20,用以基于标准化网络,估计粗尺度的脑中线结构,其中所述标准化网络是指UNet;定位模块30,用以根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,其中,所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线;计算模块40,根据所述第一端点和中线的第二端点,计算相对偏移角度,得到变换矩阵;变换模块50,用于经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。
本申请实施例的输入模块10中所述CT图像是指对患者脑部图像的采集结果。
通常平扫CT图像的中线结构通常与高颅内压相关。因此,它们为医生评估脑卒中或创伤性脑损伤的严重程度提供了丰富的信息。
本申请实施例的估计模块20中所述标准化网络是指UNet。
本申请实施例的定位模块30中所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线。
本申请实施例的计算模块40和变换模块50中具体地,CT扫描期间,患者头部通常不进行固定,因此不同患者的大脑在CT图像中的相对位置通常不一致。考虑到中线检测任务对位置信息敏感,在本申请的实施例中通过上述步骤,将图像映射到标准空间。采用基于UNet的标准化网络来估计粗尺度的中线结构,从而可以定位中线的两个端点。
根据本申请实施例,作为本实施例中的优选,所述估计模块20用于
在CT医学图像扫描期间根据不同患者的大脑在CT图像中的相对位置,基于UNet的标准化网络来估计粗尺度的中线结构;
通过所述粗尺度的中线结构将图像映射到标准空间。
具体地,在CT医学图像扫描期间不同患者的大脑在CT图像中的相对位置通常不一致,基于UNet的标准化网络来估计粗尺度的中线结构。得到所述粗尺度的中线结构后进行标准空间映射。
根据本申请实施例,作为本实施例中的优选,所述定位模块30用于
通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
其中,(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
如图5所示,是本申请优选实施例的实现原理示意图。
一,图像标准化的步骤,
CT扫描期间,患者头部通常不进行固定,因此不同患者的大脑在CT图像中的相对位置通常不一致。考虑到中线检测任务对位置信息敏感,本申请的实施例中尝试将图像映射到标准空间,首先提出了基于UNet[7]的标准化网络来估计粗尺度的中线结构,因此可以定位中线的两个端点(图1中的S和E)。通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
其中(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
二,中线分割的步骤。
本申请的实施例中在U型网络的基础上,提出CoordConv层和Cascade AtrousConv模块。考虑到中线是左脑和右脑的交汇边界,与脑的解剖位置高度相关,本申请的实施例中首先采用CoordConv层来建模空间信息。CoordConv层是对经典卷积层的简单扩展,它通过连接额外的坐标通道来集成位置信息。如图3所示,分别添加2个额外通道以表示输入的x,y坐标。在编码路径的第一个转换中添加CoordConv层,并将协调通道的值归一化到-1到1的范围。Atrous卷积被广泛用于语义分割,它增加了感受野,同时保持了特征图分辨率不变。原始UNet中编码器的感受野是140×140,仅覆盖输入CT图像的一部分,这可能忽略了全局背景信息对中线分割的重要性。因此,我们提出了一个Cascade AtrousConv模块来探索更大的感受野(620×620,覆盖完整图像),如图4所示。
在标准空间中,头颅的中线结构是一条连续线,由每行中的一个点组成。给定分割网络的初始概率预测,寻路算法的目标方程为:
其中pi代表第i行被选中的像素点,本申请的实施例中定义一元势函数ψi(pi)=-log P(pi),其中P(pi)代表pi点的概率值,为中线分割网络的输出。在此基础之上,本申请的实施例中定义二元势函数,作为不同行之间像素选择的平滑项。为了简化求解,本申请的实施例中仅考虑相邻行之间的平滑项计算,其形式如下:
三,训练过程
交叉熵是语义分割任务中的经典损失函数而Dice系数损失可以在一定程度上缓解样本不平衡的问题。因此本申请的实施例中将加权交叉熵和Dice系数损失组合作为总体的损失函数L=Lwce+Ldice。为了增强编码器的训练,本申请的实施例中使用1×1卷积层来预测每个尺度的概率图。解码器中的特征和深度监督机制进一步强加于不同尺度的语义信息。
四、实验结果
本申请的实施例中提出的模型在内部数据集和公开数据集CQ500上进行评估。内部数据集来源于三家医院,总共收集了877个平扫头部CT,切片厚度为5mm。数据集被随机分成训练集、验证集和测试集,数量分别为708/87/82,其中中间移位的扫描数量分别为207/44/42。对于公开数据集CQ500,本申请的实施例中排除健康的CT扫描序列,并选择235个平扫CT进行实验,其中中线移位为53个,切片厚度约为5mm。
此外,使用一名高年资放射科医师,对所有数据进行中线标记,为本实验的金标准。本申请的实施例中使用Hausdorff距离作为评估指标,用于测量预测中线和医生标注中线之间的距离。
本申请的实施例中首先使用UNet作为基线方法,并进行消融实验,研究提出的三个组成部分:图像标准化,中线分割和寻路算法。所有消融实验都在内部数据集上进行评估。为了验证图像标准化的实用性,实验中比较了基线方法是否将输入CT图像转换为标准空间,并在前两行显示结果。没有使用图像标准化,性能会大幅降低。为了验证中线分割网络的三个模块(CoordConv、Cascades AtrousConv、DeepSupervisioin)的有效性,实验中将每个模块与基线方法独立地结合起来。
如表格1所示,所提出的每个模块都可以较大程度地改善性能,特别是在中线偏移的情况下。此外,通过将所有模块组合在一起,本申请的实施例中提出的方法在所有类型的情况下根据平均距离和最大距离达到最佳性能。最后,实验使用寻路算法处理所提出方法的输出概率图,表格1底部显示的性能表明了使用寻路算法的优势。
表格1内部数据集实验结果
在此基础之上,本申请的实施例中使用在内部数据集上训练的模型来预测公开数据集CQ500数据的中线,实验结果参见表格2。与内部数据集的结果一致,本申请的实施例中中提出的组件可以稳定改善性能。本申请的实施例中对两个数据集上的预测结果进行可视化,以定性地评估比较方法和各个组件的作用。
表格2 CQ500数据集实验结果
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度分割网络的医学图像处理方法,其特征在于,包括:
输入CT图像,其中所述CT图像是指对患者脑部图像的采集结果;
基于标准化网络,估计粗尺度的脑中线结构,其中所述标准化网络是指UNet;
根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,其中,所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线;
根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵;
经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。
2.根据权利要求1所述的基于深度分割网络的医学图像处理方法,其特征在于,基于标准化网络,估计粗尺度的脑中线结构包括:
在CT医学图像扫描期间根据不同患者的大脑在CT图像中的相对位置,基于UNet的标准化网络来估计粗尺度的中线结构;
通过所述粗尺度的中线结构将图像映射到标准空间。
3.根据权利要求1所述的基于深度分割网络的医学图像处理方法,其特征在于,根据所述第一端点和中线的第二端点,计算相对偏移角度得到变换矩阵包括:
通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
T=T1RT2
其中,(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
4.根据权利要求1所述的基于深度分割网络的医学图像处理方法,其特征在于,经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理之后,还包括:
通过标准化图像训练得到中线分割网络,其中所述中线分割网络中采用CoordConv层对空间信息进行建模或者所述中线分割网络中采用Cascade AtrousConv模块扩大中线分割网络的感受野。
5.根据权利要求1所述的基于深度分割网络的医学图像处理方法,其特征在于,还包括:
根据所述中线分割网络,采用预设寻路算法输出中线检测结果,以使中线检测结果是连续的。
6.一种基于深度分割网络的医学图像处理装置,其特征在于,包括:
输入模块,用于输入CT图像,其中所述CT图像是指对患者脑部图像的采集结果;
估计模块,用以基于标准化网络,估计粗尺度的脑中线结构,其中所述标准化网络是指UNet;
定位模块,用以根据所述粗尺度的脑中线结构,定位出中线的第一端点和中线的第二端点,其中,所述第一端点和所述第二端点之间的连线经过脑中线结构的中心坐标和垂直线;
计算模块,根据所述第一端点和中线的第二端点,计算相对偏移角度,得到变换矩阵;
变换模块,用于经过所述变换矩阵将图像映射到标准空间,完成图像标准化处理。
7.根据权利要求6所述的基于深度分割网络的医学图像处理装置,其特征在于,所述估计模块用于
在CT医学图像扫描期间根据不同患者的大脑在CT图像中的相对位置,基于UNet的标准化网络来估计粗尺度的中线结构;
通过所述粗尺度的中线结构将图像映射到标准空间。
8.根据权利要求6所述的基于深度分割网络的医学图像处理装置,其特征在于,所述定位模块用于
通过计算从垂直方向和脑中心坐标的偏移角度,以获得如下的变换矩阵:
T=T1RT2
其中,(xI,yI)表示图像中心I,(xB,yB)表示原始图像的颅脑中心,θ表示距垂直方向的偏移角,则T表示最终变换矩阵。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一项所述的基于深度分割网络的医学图像处理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5任一项所述的基于深度分割网络的医学图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601644.9A CN110415219B (zh) | 2019-07-04 | 2019-07-04 | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601644.9A CN110415219B (zh) | 2019-07-04 | 2019-07-04 | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415219A true CN110415219A (zh) | 2019-11-05 |
CN110415219B CN110415219B (zh) | 2022-04-05 |
Family
ID=68360216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910601644.9A Active CN110415219B (zh) | 2019-07-04 | 2019-07-04 | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415219B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
CN111080572A (zh) * | 2019-11-18 | 2020-04-28 | 深圳市铱硙医疗科技有限公司 | 白质高信号定位方法、装置、设备和存储介质 |
CN111462018A (zh) * | 2020-04-14 | 2020-07-28 | 联影智能医疗科技(北京)有限公司 | 图像中的影像摆正方法、计算机设备和存储介质 |
CN113096091A (zh) * | 2021-04-07 | 2021-07-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN114419031A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015024370A1 (zh) * | 2013-08-21 | 2015-02-26 | 深圳迈瑞生物医疗电子股份有限公司 | 一种三维超声成像方法及系统 |
CN104933712A (zh) * | 2015-06-12 | 2015-09-23 | 哈尔滨工程大学 | 基于脑部ct图像的图模型展示方法 |
US20170103540A1 (en) * | 2015-10-09 | 2017-04-13 | Omer BROKMAN | Systems and methods for registering images obtained using various imaging modalities and verifying image registration |
CN107492071A (zh) * | 2017-08-17 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
CN108830886A (zh) * | 2018-05-31 | 2018-11-16 | 沈阳东软医疗系统有限公司 | 图像配准方法、装置及设备和存储介质 |
-
2019
- 2019-07-04 CN CN201910601644.9A patent/CN110415219B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015024370A1 (zh) * | 2013-08-21 | 2015-02-26 | 深圳迈瑞生物医疗电子股份有限公司 | 一种三维超声成像方法及系统 |
CN104933712A (zh) * | 2015-06-12 | 2015-09-23 | 哈尔滨工程大学 | 基于脑部ct图像的图模型展示方法 |
US20170103540A1 (en) * | 2015-10-09 | 2017-04-13 | Omer BROKMAN | Systems and methods for registering images obtained using various imaging modalities and verifying image registration |
CN107492071A (zh) * | 2017-08-17 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
CN108830886A (zh) * | 2018-05-31 | 2018-11-16 | 沈阳东软医疗系统有限公司 | 图像配准方法、装置及设备和存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080572A (zh) * | 2019-11-18 | 2020-04-28 | 深圳市铱硙医疗科技有限公司 | 白质高信号定位方法、装置、设备和存储介质 |
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
CN111462018A (zh) * | 2020-04-14 | 2020-07-28 | 联影智能医疗科技(北京)有限公司 | 图像中的影像摆正方法、计算机设备和存储介质 |
CN111462018B (zh) * | 2020-04-14 | 2024-06-28 | 联影智能医疗科技(北京)有限公司 | 图像中的影像摆正方法、计算机设备和存储介质 |
CN113096091A (zh) * | 2021-04-07 | 2021-07-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113192014B (zh) * | 2021-04-16 | 2024-01-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN114419031A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
CN114419031B (zh) * | 2022-03-14 | 2022-06-14 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110415219B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415219B (zh) | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 | |
CN110443808B (zh) | 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质 | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
EP3021753B1 (en) | Systems and methods for determining hepatic function from liver scans | |
US9818200B2 (en) | Apparatus and method for multi-atlas based segmentation of medical image data | |
CN111861989B (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
Quellec et al. | Automated assessment of diabetic retinopathy severity using content-based image retrieval in multimodal fundus photographs | |
WO2013161589A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
EP2117428A1 (en) | Identification and analysis of lesions in medical imaging | |
CN104093354A (zh) | 用于评估医学图像的方法和设备 | |
US20150356733A1 (en) | Medical image processing | |
CN111161848A (zh) | Ct图像的病灶标注方法及装置、存储介质 | |
CN101903888A (zh) | 用于基于跨模态病例的计算机辅助诊断的方法和系统 | |
CN115330775B (zh) | 一种脑卒中ct和mri影像征象定量评估方法及系统 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
Galimzianova et al. | Stratified mixture modeling for segmentation of white-matter lesions in brain MR images | |
JP6578058B2 (ja) | 画像処理装置、画像処理装置の作動方法及び画像処理装置の作動プログラム | |
JP2019028887A (ja) | 画像処理方法 | |
US20150199587A1 (en) | Image processing device, image processing method, and image processing program | |
Zhang et al. | Cerebral hemorrhage recognition based on Mask R-CNN network | |
CN113768528A (zh) | 一种ct影像脑出血辅助定位系统 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN113255781B (zh) | Cp-ebus的代表性图片选取方法、装置以及诊断系统 | |
Vasiliuk et al. | Reducing false-positive detections using the distance between activation distributions in individual channels |
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 |