CN110415234A - 基于多参数磁共振成像的脑部肿瘤分割方法 - Google Patents
基于多参数磁共振成像的脑部肿瘤分割方法 Download PDFInfo
- Publication number
- CN110415234A CN110415234A CN201910686206.7A CN201910686206A CN110415234A CN 110415234 A CN110415234 A CN 110415234A CN 201910686206 A CN201910686206 A CN 201910686206A CN 110415234 A CN110415234 A CN 110415234A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- image
- pituitary adenoma
- resonance imaging
- parameter
- 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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本公开提供了一种基于多参数磁共振成像的脑部肿瘤分割方法,该方法能够实现多参数磁共振成像垂体腺瘤的三维自动分割,辅助医生定量定性分析肿瘤,减轻工作量的同时提高准确性。本算法通过定位病灶具体位置、分析垂体腺瘤多参数磁共振成像的内在特征,搭建基于深度学习的卷积神经网络模型,以三维多参数信息的脑部核磁图像作为输入,自动分割出垂体腺瘤三维的病灶区域,实现了一个端到端的三维卷积网络分割框架。本发明可融合磁共振图像的多参数信息,高效地完成垂体腺瘤三维精确分割。同时,通过垂体腺瘤自动分割准确率的临床评测分析方法,为分割算法的可行性提供临床指导意义。
Description
技术领域
本公开涉及图像处理与算法技术领域,具体而言,涉及一种基于多参数磁共振成像的脑部肿瘤分割方法。
背景技术
垂体作为主腺体监督着内分泌系统的其他腺体并控制着激素水平,垂体腺瘤是常见的神经内分泌肿瘤,发病率占颅内肿瘤的10-15%。通常,良性的垂体腺瘤生长缓慢,不会扩散到身体的其他部位,腺瘤一般会导致人体血液中激素水平低于或高于正常值,其本身的“占位效应”会对周围组织造成压力,还可能产生认知困难,思维迟钝,视力障碍,头痛等病症。垂体腺瘤确诊方式有两种,一是内分泌激素测定,二是磁共振检查,医生通过核磁共振成像(MRI)分析肿瘤的大小形态位置,生长方向,来确定治疗方案,对于体积小,质地软的肿瘤一般采用经鼻蝶窦入路的方式将肿瘤吸出,而对于体积大,具有侵袭性的肿瘤而言会采用高风险的开颅手术方式,在临床上对磁共振影像进行分析时医生会采用人工分割的方法,但是图像序列数据量庞大,人工分割费时费力,同时分割结果根据医生经验因人而异,主观性较大。目前计算机辅助技术已经成为医生在临床应用上智能辅助诊断决策的重要工具,医学图像分割作为医疗影像智能诊断系统的第一步,起到了基础的决定性作用。对于脑部垂体瘤的核磁共振图像而言,对肿瘤的三维体数据进行测量,确定肿瘤的生长状况和后期治疗效果的跟踪比较,高效准确的医学图像分割算法显得尤为必要。
目前脑部肿瘤分割算法一直是医学图像领域一个主要研究方向,针对垂体瘤分割有以下几类,一是计算简单和易受噪声干扰的基于阈值和边缘检测的分割方法,二是容易造成过分割的分水岭分割和依赖种子点选取的区域生长法,三是在目前传统分割方法中分割准确率相对较好的基于图论和基于活动轮廓模型的分割方法,基于图论的分割方法可以同时考虑像素灰度和边界信息,但是容易受特定能量函数的限制,而活动轮廓模型的分割方法相对比较灵活但对初始化位置比较敏感。目前基于图论的垂体瘤分割方法的准确率可以接近70%,但是这种方法的研究对象大多是形状规则,近似椭圆的垂体瘤结构。近年来,基于机器学习分割方法的优势在于能够抵抗噪声,对样本量小的数据有一定的准确率,但是需要人为的设计特征,特征工程工作量大。
传统的分割方法有一定的局限性,主要是与脑部磁共振影像的分割难点有关,一是图像本身对比度和灰度分布不均匀;二是基于肿瘤自身的特异性,即同一肿瘤不同个体或者同一个体不同部位组织具有表现型差异和高度复杂性;三是由于磁共振成像的多参数原理,同一组织在不同的参数成像中信号高低不同,从而导致分割准确度降低,影响算法的泛化能力。
鉴于此,有必要研发一种针对多参数磁共振成像的脑部垂体瘤三维精确自动分割方法。
发明内容
为了解决现有技术中的技术问题,本公开实施例提供了一种基于多参数磁共振成像的脑部肿瘤分割方法,该方法能够实现多参数磁共振成像垂体腺瘤的三维自动分割,辅助医生定量定性分析肿瘤,减轻工作量的同时提高准确性。本方法主要包含六大模块:数据采集与标定、数据预处理、感兴趣区域提取、肿瘤特征分析与检测、肿瘤三维自动分割和临床分析方法。本算法通过定位病灶具体位置、分析垂体腺瘤多参数磁共振成像的内在特征,搭建基于深度学习的卷积神经网络模型,以三维多参数信息的脑部核磁图像作为输入,自动分割出垂体腺瘤三维的病灶区域,实现了一个端到端的三维卷积网络分割框架。本发明可融合磁共振图像的多参数信息,高效地完成垂体腺瘤三维精确分割。同时,通过垂体腺瘤自动分割准确率的临床评测分析方法,为分割算法的可行性提供临床指导意义。
第一方面,本公开实施例提供了一种基于多参数磁共振成像的脑部肿瘤分割方法,包括以下步骤:针对待分割图像进行数据采集;对采集后的所述待分割图像进行预处理操作,并对预处理操作后的所述待分割图像进行感兴趣区域的提取操作;对提取后的所述待分割图像进行肿瘤特征分析与检测,并基于深度学习的医学图像分割方法,搭建基于多参数磁共振成像的垂体腺瘤三维分割网络模型,获取垂体腺瘤三维精确分割结果。
在其中一个实施例中,所述针对待分割图像进行数据采集包括:从医院采集垂体腺瘤临床病例的原始核磁共振影像,由经验丰富的放射科医生对肿瘤的边界进行人工标注。
在其中一个实施例中,所述对采集后的所述待分割图像进行预处理操作包括:对原始的垂体瘤磁共振影像依次进行图像配准、偏差场校正、灰度标准化处理。
在其中一个实施例中,所述图像配准包括:以垂体腺瘤的CE-T1WI图像为基准,经由仿射变换、三线性插值对T1WI和T2WI进行重采样操作,使得垂体腺瘤的不同参数磁共振影像对其到同一空间位置。
在其中一个实施例中,所述偏差场校正包括:采用医学图像处理软件AdvancedNormalization Tools(ANTs)中的N4Bias Field Correction模块对脑部磁共振图像进行偏差场校正,以达到减弱磁场不均匀性对影像造成的影响。
在其中一个实施例中,所述灰度标准化处理包括:通过计算z-score的方式,对图像的像素值x进行标准差标准化,使得将图像的灰度值映射到同一个基准;其中计算公式为 为总体平均值,σ表示总体标准偏差。
在其中一个实施例中,所述对预处理操作后的所述待分割图像进行感兴趣区域的提取操作包括:对脑部垂体腺瘤部位完成ROI(Region of Interest)提取,并定位肿瘤位置。
在其中一个实施例中,所述对提取后的所述待分割图像进行肿瘤特征分析与检测包括:综合分析肿瘤内在特征,基于机器学习的医学图像分类方法,构造一个系统的脑部肿瘤特征检测框架,提供垂体腺瘤内在特征的具体信息。
在其中一个实施例中,所述垂体腺瘤三维分割网络模型为基于深度学习卷积神经网络U-Net模型,所述基于深度学习卷积神经网络U-Net模型由基本的编码器和解码器模块构成。
在其中一个实施例中,还包括:结合垂体腺瘤的分割结果,依据临床肿瘤质地检测,设计一种评价肿瘤三维分割准确度指标的评价体系,完成基于多参数磁共振成像的脑部肿瘤分割方法的临床可行性分析。
本发明提供的一种基于多参数磁共振成像的脑部肿瘤分割方法,针对待分割图像进行数据采集;对采集后的待分割图像进行预处理操作,并对预处理操作后的待分割图像进行感兴趣区域的提取操作;对提取后的待分割图像进行肿瘤特征分析与检测,并基于深度学习的医学图像分割方法,搭建基于多参数磁共振成像的垂体腺瘤三维分割网络模型,获取垂体腺瘤三维精确分割结果。该方法能够实现垂体瘤的三维精确自动分割,辅助医生定量定性分析肿瘤,减轻工作量的同时提高准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面对实施例描述中所需要使用的附图作简单地介绍:
图1为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法的步骤流程示意图;
图2为本发明另一实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法的步骤流程示意图;
图3为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法中垂体腺瘤特征分类算法卷积神经网络结构图;
图4为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法中垂体腺瘤三维自动分割网络模型框架结构图;
图5为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法中垂体腺瘤三维自动分割准确度临床评测方法流程图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白,以下通过实施例,并结合附图,对本发明一种基于多参数磁共振成像的脑部肿瘤分割方法的具体实施方式进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法的流程示意图,具体包括以下步骤:
步骤102,针对待分割图像进行数据采集。
具体的,针对待分割图像进行数据采集包括:从医院采集垂体腺瘤临床病例的原始核磁共振影像,由经验丰富的放射科医生对肿瘤的边界进行人工标注。
步骤104,对采集后的待分割图像进行预处理操作,并对预处理操作后的待分割图像进行感兴趣区域的提取操作。
具体的,对采集后的所述待分割图像进行预处理操作包括:对原始的垂体瘤磁共振影像依次进行图像配准、偏差场校正、灰度标准化处理。需要说明的是,图像配准包括:以垂体腺瘤的CE-T1WI图像为基准,经由仿射变换、三线性插值对T1WI和T2WI进行重采样操作,使得垂体腺瘤的不同参数磁共振影像对其到同一空间位置。偏差场校正包括:采用医学图像处理软件Advanced Normalization Tools(ANTs)中的N4Bias Field Correction模块对脑部磁共振图像进行偏差场校正,以达到减弱磁场不均匀性对影像造成的影响。灰度标准化处理包括:通过计算z-score的方式,对图像的像素值x进行标准差标准化,使得将图像的灰度值映射到同一个基准;其中计算公式为为总体平均值,σ表示总体标准偏差。
进一步地,对预处理操作后的所述待分割图像进行感兴趣区域的提取操作包括:对脑部垂体腺瘤部位完成ROI(Region of Interest)提取,并定位肿瘤位置。
步骤106,对提取后的待分割图像进行肿瘤特征分析与检测,并基于深度学习的医学图像分割方法,搭建基于多参数磁共振成像的垂体腺瘤三维分割网络模型,获取垂体腺瘤三维精确分割结果。其中,垂体腺瘤三维分割网络模型为基于深度学习卷积神经网络U-Net模型,基于深度学习卷积神经网络U-Net模型由基本的编码器和解码器模块构成。
具体的,对提取后的所述待分割图像进行肿瘤特征分析与检测包括:综合分析肿瘤内在特征,基于机器学习的医学图像分类方法,构造一个系统的脑部肿瘤特征检测框架,提供垂体腺瘤内在特征的具体信息。
此外,本公开提出的基于多参数磁共振成像的脑部肿瘤分割方法还包括:结合垂体腺瘤的分割结果,依据临床肿瘤质地检测,设计一种评价肿瘤三维分割准确度指标的评价体系,完成基于多参数磁共振成像的脑部肿瘤分割方法的临床可行性分析。
为了更清晰的理解并应用基于多参数磁共振成像的脑部肿瘤分割方法,进行以下公开示例。需要说明的是,本公开所保护的范围不限于以下示例。
图2所示,为本发明另一实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法的步骤流程示意图,具体包括:
步骤1.数据采集与标注。从医院采集垂体腺瘤临床病例的原始核磁共振影像,由经验丰富的放射科医生对肿瘤的边界进行人工标注。
具体的,基于步骤1中,采集数据的具体参数为:T1加权像(T1-weighted image,T1WI)、T2加权像(T2-weighted image,T2WI)和T1加权增强像(Contrast enhanced T1-weighted image,CE-T1WI)三个参数所对应的垂体腺瘤磁共振成像。此外,基于步骤1中,人工标注的具体步骤为:以医学图像分析软件ITK-SNAP为辅助工具,由医生依次在影像矢状位的二维层面勾勒病灶边界,制作评价算法准确度的“金标准”。
步骤2.数据预处理。对原始的垂体瘤磁共振影像进行图像预处理操作,主要包括以下三个方面:图像配准、偏差场校正、灰度标准化处理。
具体的,基于步骤2中,图像配准的具体步骤为:以垂体腺瘤的CE-T1WI图像为基准,经由仿射变换、三线性插值对T1WI和T2WI进行重采样操作,使得垂体腺瘤的不同参数磁共振影像对其到同一空间位置。
此外,基于步骤2中,偏差校正的具体步骤为:采用医学图像处理软件AdvancedNormalization Tools(ANTs)中的N4Bias Field Correction模块对脑部磁共振图像进行偏差场校正,减弱磁场不均匀性对影像造成的影响。
进一步地,基于步骤2中,灰度标准化的具体步骤为:通计算z-score的方式,对图像的像素值x进行标准差标准化,使得将图像的灰度值映射到同一个基准。其中计算公式为其中为总体平均值,σ表示总体标准偏差。
步骤3.感兴趣区域提取。对脑部垂体腺瘤部位完成ROI(Region of Interest)提取,定位肿瘤位置。其中,关于感兴趣区域提取具体包括阈值二值化、中心点选取以及3D立体框裁剪操作。
具体的,基于步骤3中,垂体腺瘤ROI提取的具体步骤为:完成步骤2后,得到预处理后的脑部磁共振图像。以脑部磁共振图像的总体轮廓位置为基准,由于垂体腺瘤位置相对固定,先经由Ostu阈值法对脑部磁共振成像进行二值化操作,再基于二值化图像的中心点进行裁剪,取128*128的正方形边框,针对磁共振图像的三维切片序列,得到一个对应矢状位层数的3D立方体裁剪框,从而实现垂体腺瘤的ROI提取。
步骤4.肿瘤特征分析与检测。综合分析肿瘤内在特征,基于机器学习的医学图像分类方法,构造一个系统的脑部肿瘤特征检测框架,提供垂体腺瘤内在特征的具体信息。具体的,关于垂体腺瘤特征检测包括肿瘤特征分析、网络结构设计以及训练分类模型操作。此外,还需要说明的是,在垂体腺瘤特征分析与检测之前,还包括训练样本选定操作。
具体的,基于步骤4中,肿瘤特征分析具体步骤为:基于磁共振成像中对不同器官组织所呈现出的信号高低不同,通过分析,垂体瘤组织的具有高度复杂性和异质性,图像中肿瘤表征不一,例如肿瘤质地有软、硬、韧之分,肿瘤病变出血、囊变等,软、韧和硬的判断依据是比较肿瘤与灰白质信号强度,实质性肿瘤在CE-T1WI增强下会呈增强状态;囊性肿瘤在T2WI影像中大部分或50%以上呈高信号,几乎是白色,在CE-T1WI增强中呈黑色;出血瘤体比较复杂,不同时间段表征不同,陈旧性出血在T2WI影像中呈现低信号,在CE-T1WI增强中不是增强状态。另外脑出血不同时期在磁共振中表现不同。本发明方法基于垂体腺瘤自身特征分析,完成数据自动分类,以解决临床数据的中样本数据量不均衡问题对肿瘤的自动分割造成的影响。
此外,基于步骤4中,肿瘤特征检测具体步骤为:以经过步骤3的垂体腺瘤的磁共振数据为基础,完成样本数据集制作,将垂体腺瘤数据分为实质性肿瘤和非实质性肿瘤两类,非实质性肿瘤是指出现病变的肿瘤区域,例如出血、囊变等。本发明采用基于深度学习的卷积神经网络搭建分类器,分类器由8层的卷积神经网络构成,如图3所示,为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法中垂体腺瘤特征分类算法卷积神经网络结构图,具体的,第一层为卷积层,采用3*3的卷积核,卷积核个数为32,后接ReLU激活函数;第二层为池化层,采用最大池化,卷积滤波器大小为2*2;第三、第五层均为卷积层,卷积核大小与第一层相同,个数分别为48和64;第四、第六层与第二层相同,均为最大池化层。第七层为一个全连接层后接ReLU激活函数,同时,引入Dropout层防止模型在训练过程中出现过拟合的现象。第8层为SoftMax层,分类器为2个输出。通过有监督的分类方式,训练分类器,以实现自动检测分类垂体腺瘤内在特征的目的。本方法在目前垂体腺瘤不同特征的分类识别准确率达到93.7%,相比传统的SVM分类器分类准确率提高了13.5%。
步骤5.肿瘤自动分割。基于深度学习的医学图像分割方法,搭建基于多参数磁共振成像的垂体腺瘤三维分割网络模型,得到垂体腺瘤三维精确分割结果。具体的,垂体腺瘤自动分割包括模型框架搭建,如图4所示,为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法中垂体腺瘤三维自动分割网络模型框架结构图、模型参数设定以及训练分割模型操作。
具体的,基于步骤5,肿瘤自动分割的具体步骤为:经过步骤3,得到ROI提取后的脑部垂体腺瘤磁共振影像,以此为总数据集样本,划分训练集和测试集。以目前主流的深度学习卷机神经网络模型为主体框架,设计适用于垂体腺瘤分割的网络架构,完成模型训练,实现肿瘤的自动分割。
此外,基于步骤5,搭建网络模型架构的具体步骤为:本发明基于深度学习卷积神经网络U-Net模型,由基本的编码器和解码器模块构成,网络模型可以看作是由多个3D卷积层和3D转置卷积层组成。本模型的输入基于垂体腺瘤磁共振成像的多参数图像,分别是T1加权像、T2加权像和T1加权增强像,与二维层面不同,模型对三维的多参数影像分别进行编码,提取垂体腺瘤在不同参数中的信号特征。在编码器模块中,模型随着卷积层个数的增加,网络深度越深,脑部垂体腺瘤的特征图的数量也随之增多,编码层提取出大量的高维特征,但图像的空间分辨率降低,图像丢失了空间信息。同时,由于模型的输入是三维的体素块,上下层的信息相互关联,为了更好的学习上下层肿瘤的特征信息,本模型在编码层的每一个下采样层加入一个残差模块,将上一层的特征图与下一层的特征图相加,以减弱随着网络深度增加而导致过拟合的问题。在解码器模块中,模型通过3D转置卷积层对高维的特征图进行上采样操作,由于在编码层中丢失了部分空间特征信息,本方法在编码层中加入跳跃连接模块,将编码器的底层低维信息拼接到解码层中,以便于模型能够学习到垂体腺瘤的空间位置信息,以实现一个端到端的卷积网络框架,即以三维多参数信息的脑部核磁图像作为输入,模型可分割出三维的垂体腺瘤病灶区域。
需要说明的是,在模型训练过程中,为保证每一层神经网络的输入保持相同分布的。本发明方法采用instance normalization对单个样本的所有像素求均值和标准差,而非使用batch normalization,以解决其对batch size大小比较敏感,在batch size过小时,在一个batch上计算的均值、方差不足以代表整个数据分布的问题。同时,在梯度消失的问题上,采用Leaky ReLU激活函数解决,以避免在采用RELU激活函数时某些神经元可能永远不会被激活,导致相应的参数永远不能被更新的问题。另外,本方法采用多类别的Dice交叉熵损失函数,计算公式为:
其中,u是网络SoftMax层的输出,v是对应输入图像的Ground truth,i表示训练样本的大小,k表示输入样本中标签的类别。在模型训练过程中采用此损失函数以解决垂体腺瘤在分割过程中出现数据样本不平衡的问题。
步骤6.临床分析。如图5所示,为本发明一个实施例中的一种基于多参数磁共振成像的脑部肿瘤分割方法中垂体腺瘤三维自动分割准确度临床评测方法流程图,具体的,结合垂体腺瘤的分割结果,依据临床肿瘤质地检测,设计一种评价肿瘤三维分割准确度指标的评价体系,完成算法的临床可行性分析。
具体的,步骤6中,临床分析的具体步骤为:以放射科临床医生的垂体腺瘤人工分割结果为参照,以Dice系数作为主要评测指标,分析本方法在垂体腺瘤磁共振影像在三维分割中的准确率。同时,为了判断本发明方法在临床应用的中的可行性,本发明还提供了一种基于临床垂体腺瘤诊断分析的分割准确度评测方法。在对垂体腺瘤患者进行临床诊断时,医生往往会根据肿瘤的大小、体积和质地来判断治疗手段,质地较软的垂体腺瘤会以经鼻蝶显微镜下手术和内镜手术的方式进行治疗,对于质地较硬,体积较大的垂体腺瘤会采取开颅手术或经鼻蝶和开颅联合手术。基于此,本评测方法选择医生人工分割的垂体腺瘤和本发明方法自动分割的垂体腺瘤作为两类样本,进行临床垂体腺瘤自动诊断横向对比实验。实验方式基于机器学习有监督的分类方法,通过提取垂体腺瘤特征,设计肿瘤不同质地分类器,通过判断肿瘤质地,辅助医生进行临床诊断。实验评测指标主要依据查准率(Precision)、查全率(Recall)和F1分数。本评测方法以医生人工分割的垂体腺瘤的质地分析准确率为基准,来评价本发明方法在自动分割垂体腺瘤的准确率、有效性和可行性,在垂体腺瘤诊断治疗中具有可观的临床意义。
本公开实施例提供了一种基于多参数磁共振成像的脑部肿瘤分割方法,能够实现多参数磁共振成像垂体腺瘤的三维自动分割,辅助医生定量定性分析肿瘤,减轻工作量的同时提高准确性。本方法主要包含六大模块:数据采集与标定、数据预处理、感兴趣区域提取、肿瘤特征分析与检测、肿瘤三维自动分割和临床分析方法。本算法通过定位病灶具体位置、分析垂体腺瘤多参数磁共振成像的内在特征,搭建基于深度学习的卷积神经网络模型,以三维多参数信息的脑部核磁图像作为输入,自动分割出垂体腺瘤三维的病灶区域,实现了一个端到端的三维卷积网络分割框架。本发明可融合磁共振图像的多参数信息,高效地完成垂体腺瘤三维精确分割。同时,本发明还提供了一种垂体腺瘤自动分割准确率的临床评测分析方法,为分割算法的可行性提供临床指导意义。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
另外,如在此使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
为了示例和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,包括以下步骤:
针对待分割图像进行数据采集;
对采集后的所述待分割图像进行预处理操作,并对预处理操作后的所述待分割图像进行感兴趣区域的提取操作;
对提取后的所述待分割图像进行肿瘤特征分析与检测,并基于深度学习的医学图像分割方法,搭建基于多参数磁共振成像的垂体腺瘤三维分割网络模型,获取垂体腺瘤三维精确分割结果。
2.根据权利要求1所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述针对待分割图像进行数据采集包括:从医院采集垂体腺瘤临床病例的原始核磁共振影像,由经验丰富的放射科医生对肿瘤的边界进行人工标注。
3.根据权利要求1所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述对采集后的所述待分割图像进行预处理操作包括:对原始的垂体瘤磁共振影像依次进行图像配准、偏差场校正、灰度标准化处理。
4.根据权利要求3所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述图像配准包括:以垂体腺瘤的CE-T1WI图像为基准,经由仿射变换、三线性插值对T1WI和T2WI进行重采样操作,使得垂体腺瘤的不同参数磁共振影像对其到同一空间位置。
5.根据权利要求3所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述偏差场校正包括:采用医学图像处理软件Advanced Normalization Tools(ANTs)中的N4Bias Field Correction模块对脑部磁共振图像进行偏差场校正,以达到减弱磁场不均匀性对影像造成的影响。
6.根据权利要求3所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述灰度标准化处理包括:通过计算z-score的方式,对图像的像素值x进行标准差标准化,使得将图像的灰度值映射到同一个基准;其中计算公式为 为总体平均值,σ表示总体标准偏差。
7.根据权利要求1所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述对预处理操作后的所述待分割图像进行感兴趣区域的提取操作包括:对脑部垂体腺瘤部位完成ROI(Region of Interest)提取,并定位肿瘤位置。
8.根据权利要求1所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述对提取后的所述待分割图像进行肿瘤特征分析与检测包括:综合分析肿瘤内在特征,基于机器学习的医学图像分类方法,构造一个系统的脑部肿瘤特征检测框架,提供垂体腺瘤内在特征的具体信息。
9.根据权利要求1所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,所述垂体腺瘤三维分割网络模型为基于深度学习卷积神经网络U-Net模型,所述基于深度学习卷积神经网络U-Net模型由基本的编码器和解码器模块构成。
10.根据权利要求1所述的基于多参数磁共振成像的脑部肿瘤分割方法,其特征在于,还包括:结合垂体腺瘤的分割结果,依据临床肿瘤质地检测,设计一种评价肿瘤三维分割准确度指标的评价体系,完成基于多参数磁共振成像的脑部肿瘤分割方法的临床可行性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686206.7A CN110415234A (zh) | 2019-07-29 | 2019-07-29 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686206.7A CN110415234A (zh) | 2019-07-29 | 2019-07-29 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110415234A true CN110415234A (zh) | 2019-11-05 |
Family
ID=68363632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910686206.7A Pending CN110415234A (zh) | 2019-07-29 | 2019-07-29 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415234A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
CN111340767A (zh) * | 2020-02-21 | 2020-06-26 | 四川大学华西医院 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
CN112053342A (zh) * | 2020-09-02 | 2020-12-08 | 陈燕铭 | 基于人工智能的脑垂体磁共振图像的提取识别方法和装置 |
CN112164028A (zh) * | 2020-09-02 | 2021-01-01 | 陈燕铭 | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 |
CN112190250A (zh) * | 2020-09-01 | 2021-01-08 | 中山大学肿瘤防治中心 | 垂体瘤影像分类方法、系统及电子设备 |
CN112330674A (zh) * | 2020-05-07 | 2021-02-05 | 南京信息工程大学 | 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法 |
CN112365473A (zh) * | 2020-11-12 | 2021-02-12 | 同心医联科技(北京)有限公司 | 一种ai医学影像处理系统、设备及存储介质 |
CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
CN112651929A (zh) * | 2020-12-09 | 2021-04-13 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
CN113076948A (zh) * | 2021-03-26 | 2021-07-06 | 浙江工业大学 | 一种肿瘤压迫下听神经分割的方法 |
CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109598728A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、诊断系统及存储介质 |
-
2019
- 2019-07-29 CN CN201910686206.7A patent/CN110415234A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109598728A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、诊断系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
HAO DONG,ET.AL,: "Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks", 《MIUA 2017: MEDICAL IMAGE UNDERSTANDING AND ANALYSIS》 * |
ISENSEE F,ET.AL,: "Brain tumor segmentation and radiomics survival prediction: contribution to the BRATS 2017 challenge", 《PROCEEDINGS OF THE 3RD INTERNATIONAL BRAINLESION》 * |
J. LONG, ET.AL: "Fully convolutional networks for semantic segmentation", 《EEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
CN111340767A (zh) * | 2020-02-21 | 2020-06-26 | 四川大学华西医院 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
CN111340767B (zh) * | 2020-02-21 | 2023-12-12 | 四川大学华西医院 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
CN112330674A (zh) * | 2020-05-07 | 2021-02-05 | 南京信息工程大学 | 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法 |
CN112330674B (zh) * | 2020-05-07 | 2023-06-30 | 南京信息工程大学 | 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法 |
CN112190250B (zh) * | 2020-09-01 | 2023-10-03 | 中山大学肿瘤防治中心 | 垂体瘤影像分类方法、系统及电子设备 |
CN112190250A (zh) * | 2020-09-01 | 2021-01-08 | 中山大学肿瘤防治中心 | 垂体瘤影像分类方法、系统及电子设备 |
CN112164028A (zh) * | 2020-09-02 | 2021-01-01 | 陈燕铭 | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 |
CN112053342A (zh) * | 2020-09-02 | 2020-12-08 | 陈燕铭 | 基于人工智能的脑垂体磁共振图像的提取识别方法和装置 |
CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
CN112365473A (zh) * | 2020-11-12 | 2021-02-12 | 同心医联科技(北京)有限公司 | 一种ai医学影像处理系统、设备及存储介质 |
CN112651929A (zh) * | 2020-12-09 | 2021-04-13 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
CN112651929B (zh) * | 2020-12-09 | 2022-06-10 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
CN113076948A (zh) * | 2021-03-26 | 2021-07-06 | 浙江工业大学 | 一种肿瘤压迫下听神经分割的方法 |
CN113076948B (zh) * | 2021-03-26 | 2024-04-16 | 浙江工业大学 | 一种肿瘤压迫下听神经分割的方法 |
CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
CN117036376B (zh) * | 2023-10-10 | 2024-01-30 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415234A (zh) | 基于多参数磁共振成像的脑部肿瘤分割方法 | |
US10593035B2 (en) | Image-based automated measurement model to predict pelvic organ prolapse | |
CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN113711271A (zh) | 用于通过正电子发射断层摄影进行肿瘤分割的深度卷积神经网络 | |
WO2021030629A1 (en) | Three dimensional object segmentation of medical images localized with object detection | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
ES2914387T3 (es) | Estudio inmediato | |
US4945478A (en) | Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like | |
Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
CN108171711A (zh) | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 | |
Park et al. | Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features | |
CN106504253A (zh) | 一种医疗影像照片的处理方法及系统 | |
Hu et al. | Segmentation of brain from computed tomography head images | |
US9230321B2 (en) | Computer aided diagnostic system incorporating 3D shape analysis of the brain for identifying developmental brain disorders | |
Sun et al. | Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images | |
Li et al. | BrainK for structural image processing: creating electrical models of the human head | |
US20210279880A1 (en) | Tumor segmentation tool | |
Bhat et al. | Identification of intracranial hemorrhage using ResNeXt model | |
CN115953416A (zh) | 基于深度学习的膝骨关节核磁共振图像自动分割方法 | |
KR20190068254A (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
KR102267219B1 (ko) | 혈관 세그멘테이션 방법 | |
Miao et al. | CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients. | |
Saad et al. | A review on image segmentation techniques for MRI brain stroke lesion | |
Mahalaxmi et al. | A Comparison and Survey on Brain Tumour Detection Techniques Using MRI Images | |
Ayaz et al. | Brain MR image simulation for deep learning based medical image analysis networks |
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: 20191105 |
|
WD01 | Invention patent application deemed withdrawn after publication |