CN110992383A - 一种基于深度学习的ct图像肝脏动脉分割方法及系统 - Google Patents

一种基于深度学习的ct图像肝脏动脉分割方法及系统 Download PDF

Info

Publication number
CN110992383A
CN110992383A CN202010137293.3A CN202010137293A CN110992383A CN 110992383 A CN110992383 A CN 110992383A CN 202010137293 A CN202010137293 A CN 202010137293A CN 110992383 A CN110992383 A CN 110992383A
Authority
CN
China
Prior art keywords
liver
value
artery
segmentation
neural network
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
CN202010137293.3A
Other languages
English (en)
Inventor
赵威
申建虎
代笃伟
王博
张伟
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.)
Tianjin Precision Diagnosis Medical Technology Co Ltd
Original Assignee
Tianjin Precision Diagnosis Medical Technology Co Ltd
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 Tianjin Precision Diagnosis Medical Technology Co Ltd filed Critical Tianjin Precision Diagnosis Medical Technology Co Ltd
Priority to CN202010137293.3A priority Critical patent/CN110992383A/zh
Publication of CN110992383A publication Critical patent/CN110992383A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于深度学习的CT图像肝脏动脉分割方法及系统，属于医学图像处理和人工智能技术领域。所述方法包括：获取所有肝脏CT显影图像，并将图像尺寸调整为固定尺寸；将肝脏部分的CT值进行归一化处理，并输入神经网络模型；计算神经网络模型的输出与肝脏动脉掩模的损失值，并据此更新神经网络模型的参数；遍历所有训练样本，完成神经网络模型的训练学习，得到肝脏动脉分割模型；根据肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果。所述系统包括获取模块、调整模块、归一输入模块、计算更新模块、训练模块及分割模块。本发明可以精确地得到肝动脉的实际情况，分割过程完全不需要人为参与。

Description

一种基于深度学习的CT图像肝脏动脉分割方法及系统
技术领域
本发明涉及医学图像处理和人工智能技术领域，特别涉及一种基于深度学习的CT图像肝脏动脉分割方法及系统。
背景技术
医学成像有多种图像模态，包括MR（Magnetic Resonance，磁共振）、CT（ComputedTomography，电子计算机断层扫描）、PET（Positron Emission Computed Tomography，正电子发射型计算机断层显像）、超声成像等等。成像可以获得反映二维和三维区域人体的生理和物理特性的图像。肝病患者在进行外科手术前需要拍摄增强CT，根据造影剂在进入病人体内后的扫描时间不同，增强CT可以分为动脉期、门静脉期和平扫期三期序列图像。通过在动脉期对显影的动脉区域进行分割，可以帮助医生查看肝脏动脉的解剖结构，进而帮助医生诊断病情和指导手术。然而由于CT图像的敏感性和特异性相对MR较差，且存在成像伪影、成像质量不好等问题，与此同时肝脏动脉又相对细小且形态各异，因此基于CT图像的肝脏动脉区域的分割是非常有难度的问题。
目前常用的图像分割方法主要有两类：基于阈值的分割和基于区域生长的分割。阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分配到合适的类别中；阈值法最为关键的是按照某个准则函数来求解最佳灰度阈值，该方法计算简单、效率较高，但由于只考虑图像的灰度特征，因此对噪声比较敏感，鲁棒性不高。区域生长法是从一组代表不同生长区域的种子像素开始，接下来将种子像素邻域里符合条件的像素合并到种子像素所代表的生长区域中，并将新添加的像素作为新的种子像素继续合并过程，直到找不到符合条件的新像素为止；区域生长法最为关键的是选择合适的初始种子像素及合理的生长准则，该方法非常依赖种子像素的选取，且分割结果容易出现空洞和过分割。
现有技术公开了一种肝脏医学图像动脉区域分割方法，该方法在具体实施过程中多处需要进行人工设定参数，这会使得一方面参数设定非常依赖经验，另一方面由于CT图像显影的复杂多变，固定的参数不能很好地适配不同的CT影像数据，从而导致该方法的鲁棒性较差，并且不易扩展。
发明内容
为了解决现有肝脏动脉区域分割方法存在的参数设定人为化，参数固定导致的适配性差、不易扩展等问题，本发明提供了基于深度学习的CT图像肝脏动脉分割方法，包括：
获取所有肝脏CT显影图像，并将所述CT显影图像尺寸调整为固定尺寸；
将固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；
计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；
遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；
根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果；
其中，所述将所述CT显影图像尺寸调整为固定尺寸的步骤为：统计所有CT图像肝脏部分三个方向大小的中位数；利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸。
所述获取所有肝脏CT显影图像的步骤为：根据预设的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影；所述裁剪规则为：根据肝脏显影以外接长方体的形式，裁剪出包含整个肝脏部分的长方体区域。
所述将固定尺寸的肝脏部分的CT值进行归一化处理的步骤具体包括：
根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；
将CT值小于所述第一阈值的部分设置为所述第一阈值，将CT值大于所述第二阈值的部分设置为所述第二阈值；
对每个像素的原始CT值按如下公式进行转换；
Figure 553228DEST_PATH_IMAGE001
其中，min为最小CT值，max为最大CT值，x为原始CT值，x＇为转换后的CT值。
所述神经网络模型为3D卷积神经网络V-Net。
所述损失值的计算公式为：
loss=1-s
Figure 417279DEST_PATH_IMAGE002
其中，loss为损失值；M为神经网络模型输出的概率矩阵；N为训练数据所对应的肝脏动脉二值化掩模；|M∩N|代表同为1的像素点的个数，|M|代表概率矩阵中所有1的个数，|N|代表肝脏动脉二值化掩模中所有1的个数。
所述根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果的步骤具体包括：
根据所述肝脏动脉分割模型对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；
从所述初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。
本发明还提供了一种基于深度学习的CT图像肝脏动脉分割系统，包括：
获取模块，用于获取所有肝脏CT显影图像；
调整模块，用于统计所述获取模块获取的所有CT图像肝脏部分三个方向大小的中位数，并利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸；
归一输入模块，用于将所述调整模块调整为固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；
计算更新模块，用于计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；
训练模块，用于遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；
分割模块，用于根据所述肝脏动脉分割模型，对所述归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果。
所述获取模块包括：
裁剪规则设置单元，用于设置裁剪规则；
裁剪单元，用于根据所述裁剪规则设置单元设置的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影。
所述归一输入模块包括：
设定单元，用于根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；
归一单元，用于将所述调整模块调整为固定尺寸的肝脏部分的CT值小于所述第一阈值的部分设置为所述第一阈值，将所述调整模块调整为固定尺寸的肝脏部分的CT值大于所述第二阈值的部分设置为所述第二阈值；
转换单元，用于对所述调整模块调整为固定尺寸的肝脏部分的每个像素的原始CT值进行转换；
输入单元，用于将所述归一单元和转换单元的结果输入神经网络模型。
所述分割模块包括：
第一分割单元，用于根据所述训练模块得到的肝脏动脉分割模型对所述归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；
第二分割单元，用于从所述第一分割单元得到的初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。
本发明提供的基于深度学习的CT图像肝脏动脉分割方法及系统，通过神经网络模型深度学习技术从大量的训练样本中自动地提取肝脏动脉区域的特征，这些特征有着更强的表征能力和泛化能力，不仅可以更加精确的得到肝动脉的实际情况，具有很好的鲁棒性，而且分割过程完全不需要人为参与，全自动分割大大提高了分割效率。
附图说明
图1是本发明实施例基于深度学习的CT图像肝脏动脉分割方法流程图；
图2是本发明实施例提供的肝脏动脉的初步分割结果示意图；
图3是本发明实施例提供的肝脏动脉的最终分割结果示意图；
图4是本发明实施例人工标注的肝脏动脉掩模示意图；
图5是本发明实施例基于深度学习的CT图像肝脏动脉分割系统示意图。
具体实施方式
下面结合附图和实施例，对本发明技术方案作进一步描述。
参见图1，本发明实施例提供的基于深度学习的CT图像肝脏动脉分割方法，具体包括如下步骤：
步骤S101、获取所有肝脏CT显影图像，并将肝脏CT显影图像尺寸调整为固定尺寸。
通常腹部CT图像包含有数百张切片，同时存在着肝脏和其他脏器的显影。由于肝脏动脉的分割仅依赖于肝脏内部肝内组织和动脉之间显影差异性，因此需要从数百张切片中提取出肝脏显影，以便用于肝脏动脉分割，具体过程如下：
1）在整个腹部CT图像中裁剪出肝脏显影，以排除其他脏器和其他动脉显影对肝脏动脉分割所造成的影响。裁剪规则具体是：根据肝脏显影以外接长方体的形式，裁剪出包含整个肝脏部分的长方体区域，得到肝脏部分记为ROI，其在立体坐标系中三个方向上的尺寸为X☓Y☓Z，其中X、Y和Z分别代表x轴、y轴和z轴方向上的CT像素值数量。例如：肝脏部分的尺寸为512☓512☓300，其中512☓512代表x轴和y轴方向上的CT像素值数量，300代表z轴方向上的CT像素值数量。2）统计所有CT图像肝脏部分三个方向大小的中位数X＇、Y＇和Z＇；利用三次插值法，将原始尺寸为X☓Y☓Z的肝脏部分均调整为固定尺寸X＇☓Y＇☓Z＇，其中X＇、Y＇和Z＇分别代表像素值数量。
步骤S102、将调整为固定尺寸的肝脏部分的CT值进行归一化处理。
为了使得神经网络的训练过程可以更好地收敛，需要对所有调整为固定尺寸的肝脏部分进行CT值归一化处理，具体过程如下：
1）根据肝脏和肝脏动脉在CT显影中的Hu（hounsfield unit，亨氏单位）值范围，设定阈值1为-150、阈值2为250；将CT值小于阈值1的部分设置为-150，将CT值大于阈值2的部分设置为250。
2）对每个像素的原始CT值按照如下公式（1）进行转换。
Figure 293968DEST_PATH_IMAGE001
（1）
其中，min为最小CT值，max为最大CT值，x为原始CT值，x＇为转换后的CT值。
步骤S103、将归一化处理后的肝脏部分的CT值输入神经网络模型进行训练学习，得到神经网络模型的输出。
在具体应用中，由于肝脏动脉在结构上具有连通性，因此本发明实施例选用3D卷积神经网络V-Net来进行学习，该神经网络模型能够更好地提取三维上的上下文信息特征。V-Net网络集成了U-Net的编解码思想和ResNet网络的残差思想，使得在保证网络性能的前提下，网络可以更好地收敛以达到更高的精度。
V-Net网络的输入内容为归一化处理后的肝脏CT值组成的矩阵，V-Net网络的输出内容为概率矩阵。概率矩阵与肝脏CT值组成的矩阵具有相同的阶数。概率矩阵中的每个值表示该像素位置为动脉的概率。
步骤S104、计算神经网络模型输出与肝脏动脉掩模的损失值，并根据损失值更新神经网络模型的参数。
为了提高神经网络模型学习的准确度，需要计算出神经网络模型输出的概率矩阵与肝脏动脉掩模的损失值loss。损失值loss可通过如下公式计算得到：
loss=1-s （2）
Figure 709906DEST_PATH_IMAGE002
（3）
其中，M为神经网络模型输出的概率矩阵，概率矩阵中每个像素点是二值化的0/1预测结果；N为训练数据（即，所有肝脏CT显影图像）所对应的肝脏动脉二值化掩模； |M∩N|代表同为1的像素点的个数，|M|代表概率矩阵中所有1的个数，|N|代表肝脏动脉二值化掩模中所有1的个数。
根据损失值loss，使用Adam优化器对神经网络模型的参数进行更新。有关使用Adam优化器对神经网络模型的参数进行优化及更新的方法可参考Kingma D , Ba J .Adam: A Method for Stochastic Optimization[J]. Computer Science, 2014论著，本发明对此优化过程不再赘述。
步骤S105、遍历所有的训练样本，并根据预设的训练完成条件，完成神经网络模型的训练学习，得到训练好的肝脏动脉分割模型。
神经网络模型的学习是一个循环迭代的过程，每次迭代随机选取一定Batch（样本数）的训练样本和其所对应的肝脏动脉掩模，计算出此次迭代神经网络模型输出和肝脏动脉掩模的损失值，并使用Adam优化器根据损失值对神经网络模型的参数进行更新，直到遍历所有的训练样本即完成一轮的训练。训练完成条件可以设置为当loss数值的下降不再明显，或完成预定轮数的训练。
步骤S106、使用训练好的肝脏动脉分割模型对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果。
图2为本发明实施例提供的肝脏动脉的初步分割结果示意图，其中可以看出存在部分杂点或者离散的错分区域。
步骤S107、从初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。
初步分割结果中会有部分杂点或者离散的错分区域，而由于肝脏的动脉区域是联通的，因此可以从初步分割结果中提取最大联通的区域，即去除部分杂点或者离散的错分区域，从而得到肝脏动脉的最终分割结果，如图3所示。图4为人工标注的肝脏动脉掩模。通过对图3与图4的比较，可以得出：本发明实施例方法得到的肝脏动脉分割结果与人工标注的肝脏动脉掩模之间的相似度可达到97.3%，其中人工标注漏标的分支和血管，本发明实施例方法均可以准确地分割出来，血管末梢也更加丰富。
与现有技术相比，本发明实施例提供的肝脏动脉分割方法具有如下优点：
1、本发明实施例不是将整个CT显影图像放到神经网络模型进行训练，而是先从中提取出肝脏部分区域，并在此基础上统一输入大小，这样使得神经网路模型的训练过程可以更加专注于肝脏区域，排除其他组织的干扰。
2、本发明实施例选取3D神经网络并基于大量的训练数据进行训练，使得可以提取更加有效的特征进而提高肝脏动脉分割的准确度。
3、本发明实施例对肝脏动脉分割结果的二次处理，可以有效地排除错分的像素点，进一步使得肝脏动脉分割结果更加准确。
4、本发明实施例提供的分割方法不依赖于种子点选取、阈值选取等人为参与设定的经验参数，分割过程可以实现全自动。
5、本发明实施例根据大量数据通过神经网络模型训练得到的特征，更有效且鲁棒性好，可以从真实复杂多变的CT成像中，更加精确地分割出肝脏动脉区域。
参见图5，本发明实施例还提供了一种基于深度学习的CT图像肝脏动脉分割系统，包括：
获取模块，用于获取所有肝脏CT显影图像；
调整模块，用于统计获取模块获取的所有CT图像肝脏部分三个方向大小的中位数，并利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸；
归一输入模块，用于将调整模块调整为固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；
计算更新模块，用于计算神经网络模型的输出与肝脏动脉掩模的损失值，并根据损失值更新神经网络模型的参数；
训练模块，用于遍历所有训练样本，完成神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；
分割模块，用于根据肝脏动脉分割模型，对归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果。
其中，获取模块进一步包括：
裁剪规则设置单元，用于设置裁剪规则；
裁剪单元，用于根据裁剪规则设置单元设置的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影。
其中，归一输入模块进一步包括：
设定单元，用于根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；
归一单元，用于将调整模块调整为固定尺寸的肝脏部分的CT值小于第一阈值的部分设置为第一阈值，将调整模块调整为固定尺寸的肝脏部分的CT值大于第二阈值的部分设置为第二阈值；
转换单元，用于对调整模块调整为固定尺寸的肝脏部分的每个像素的原始CT值进行转换；
输入单元，用于将归一单元和转换单元的结果输入神经网络模型。
其中，分割模块进一步包括：
第一分割单元，用于根据训练模块得到的肝脏动脉分割模型对归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；
第二分割单元，用于从第一分割单元得到的初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。
本发明实施例提供的基于深度学习的CT图像肝脏动脉分割方法与系统，通过神经网络模型深度学习技术从大量的训练样本中自动地提取肝脏动脉区域的特征，这些特征有着更强的表征能力和泛化能力，不仅可以更加精确的得到肝动脉的实际情况，具有很好的鲁棒性，而且分割过程完全不需要人为参与，全自动分割大大提高了分割效率。
在实际应用中，本实施例中所涉及的各个功能模块及单元，均可以由运行在计算机硬件上的计算机程序实现，所述的程序可存储于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，所述的硬件指的是包含一个或者多个处理器和存储介质的服务器或者台式计算机、笔记本电脑等；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 Access Memory，RAM）等；所述计算机程序由不限于C、C++等计算机语言实现。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的CT图像肝脏动脉分割方法，其特征在于，包括：
获取所有肝脏CT显影图像，并将所述CT显影图像尺寸调整为固定尺寸；
将固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；
计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；
遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；
根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果；
其中，所述将所述CT显影图像尺寸调整为固定尺寸的步骤为：统计所有CT图像肝脏部分三个方向大小的中位数；利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸。
2.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述获取所有肝脏CT显影图像的步骤为：根据预设的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影；所述裁剪规则为：根据肝脏显影以外接长方体的形式，裁剪出包含整个肝脏部分的长方体区域。
3.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述将固定尺寸的肝脏部分的CT值进行归一化处理的步骤具体包括：
根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；
将CT值小于所述第一阈值的部分设置为所述第一阈值，将CT值大于所述第二阈值的部分设置为所述第二阈值；
对每个像素的原始CT值按如下公式进行转换；
Figure 21298DEST_PATH_IMAGE001
其中，min为最小CT值，max为最大CT值，x为原始CT值，x＇为转换后的CT值。
4.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述神经网络模型为3D卷积神经网络V-Net。
5.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述损失值的计算公式为：
loss=1-s
Figure 755DEST_PATH_IMAGE002
其中，loss为损失值；M为神经网络模型输出的概率矩阵；N为训练数据所对应的肝脏动脉二值化掩模；|M∩N|代表同为1的像素点的个数，|M|代表概率矩阵中所有1的个数，|N|代表肝脏动脉二值化掩模中所有1的个数。
6.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果的步骤具体包括：
根据所述肝脏动脉分割模型对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；
从所述初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。
7.一种基于深度学习的CT图像肝脏动脉分割系统，其特征在于，包括：
获取模块，用于获取所有肝脏CT显影图像；
调整模块，用于统计所述获取模块获取的所有CT图像肝脏部分三个方向大小的中位数，并利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸；
归一输入模块，用于将所述调整模块调整为固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；
计算更新模块，用于计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；
训练模块，用于遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；
分割模块，用于根据所述肝脏动脉分割模型，对所述归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果。
8.如权利要求7所述的基于深度学习的CT图像肝脏动脉分割系统，其特征在于，所述获取模块包括：
裁剪规则设置单元，用于设置裁剪规则；
裁剪单元，用于根据所述裁剪规则设置单元设置的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影。
9.如权利要求8所述的基于深度学习的CT图像肝脏动脉分割系统，其特征在于，所述归一输入模块包括：
设定单元，用于根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；
归一单元，用于将所述调整模块调整为固定尺寸的肝脏部分的CT值小于所述第一阈值的部分设置为所述第一阈值，将所述调整模块调整为固定尺寸的肝脏部分的CT值大于所述第二阈值的部分设置为所述第二阈值；
转换单元，用于对所述调整模块调整为固定尺寸的肝脏部分的每个像素的原始CT值进行转换；
输入单元，用于将所述归一单元和转换单元的结果输入神经网络模型。
10.如权利要求9所述的基于深度学习的CT图像肝脏动脉分割系统，其特征在于，所述分割模块包括：
第一分割单元，用于根据所述训练模块得到的肝脏动脉分割模型对所述归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；
第二分割单元，用于从所述第一分割单元得到的初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。
CN202010137293.3A 2020-03-03 2020-03-03 一种基于深度学习的ct图像肝脏动脉分割方法及系统 Pending CN110992383A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137293.3A CN110992383A (zh) 2020-03-03 2020-03-03 一种基于深度学习的ct图像肝脏动脉分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137293.3A CN110992383A (zh) 2020-03-03 2020-03-03 一种基于深度学习的ct图像肝脏动脉分割方法及系统

Publications (1)

Publication Number Publication Date
CN110992383A true CN110992383A (zh) 2020-04-10

Family

ID=70081345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137293.3A Pending CN110992383A (zh) 2020-03-03 2020-03-03 一种基于深度学习的ct图像肝脏动脉分割方法及系统

Country Status (1)

Country Link
CN (1) CN110992383A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159050A (zh) * 2021-04-23 2021-07-23 广东工业大学 一种冠状动脉ct影像深度聚类和分割方法及系统
WO2022207238A1 (en) 2021-04-02 2022-10-06 Oncoradiomics Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101409766A (zh) * 2007-12-27 2009-04-15 华为技术有限公司 一种图像缩放方法及装置
CN105139454A (zh) * 2015-08-06 2015-12-09 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN106780512A (zh) * 2016-11-30 2017-05-31 厦门美图之家科技有限公司 分割图像的方法、应用及计算设备
CN106940816A (zh) * 2017-03-22 2017-07-11 杭州健培科技有限公司 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN109829880A (zh) * 2018-12-07 2019-05-31 清影医疗科技（深圳）有限公司 一种基于深度学习的ct图像检测方法、装置和控制设备
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101409766A (zh) * 2007-12-27 2009-04-15 华为技术有限公司 一种图像缩放方法及装置
CN105139454A (zh) * 2015-08-06 2015-12-09 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN106780512A (zh) * 2016-11-30 2017-05-31 厦门美图之家科技有限公司 分割图像的方法、应用及计算设备
CN106940816A (zh) * 2017-03-22 2017-07-11 杭州健培科技有限公司 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN109829880A (zh) * 2018-12-07 2019-05-31 清影医疗科技（深圳）有限公司 一种基于深度学习的ct图像检测方法、装置和控制设备
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘国玮: "基于深度学习的脑部CTA图像血管分割方法研究"", 《万方数据知识服务平台》 *
安倩楠: ""基于加工表面显微图像的卷积神经网络粗糙度识别技术研究"", 《万方数据知识服务平台》 *
王睿: ""基于深度学习的CT图像脑组织分割"", 《万方数据知识服务平台》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022207238A1 (en) 2021-04-02 2022-10-06 Oncoradiomics Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information
CN113159050A (zh) * 2021-04-23 2021-07-23 广东工业大学 一种冠状动脉ct影像深度聚类和分割方法及系统

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110506278B (zh) 隐空间中的目标检测
CN111008984A (zh) 医学影像中正常器官的轮廓线自动勾画方法及系统
CN108985345B (zh) 一种基于肺部医学图像融合分类的检测装置
CN104637044B (zh) 钙化斑块及其声影的超声图像提取系统
CN113674279B (zh) 基于深度学习的冠脉cta影像的处理方法及装置
WO2021136368A1 (zh) 钼靶图像中胸大肌区域自动检测方法及装置
US20220301224A1 (en) Systems and methods for image segmentation
WO2023046092A1 (en) Systems and methods for artifact removing
US8050470B2 (en) Branch extension method for airway segmentation
CN113421226B (zh) 基于互信息的ct-dr多模态食管图像配准方法及系统
CN110992383A (zh) 一种基于深度学习的ct图像肝脏动脉分割方法及系统
CN112288752B (zh) 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法
CN116503607A (zh) 一种基于深度学习的ct图像分割方法和系统
CN116681667A (zh) 一种基于自监督学习的小样本医学图像分割方法、系统、设备及介质
CN113538209A (zh) 一种多模态医学影像配准方法、配准系统、计算设备和存储介质
CN111932495A (zh) 一种医学图像检测方法、装置及存储介质
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN113344940A (zh) 一种基于深度学习的肝脏血管图像分割方法
CN112102327B (zh) 一种图像处理方法、装置及计算机可读存储介质
Liu et al. Prior-based 3D U-Net: A model for knee-cartilage segmentation in MRI images
CN113614788A (zh) 计算机辅助读取和分析的深度强化学习
Zhou et al. Automatic segmentation algorithm of femur and tibia based on Vnet-C network
Cui et al. 3D Point-based Multi-Modal Context Clusters GAN for Low-Dose PET Image Denoising
JP2023548041A (ja) 医用画像において少なくとも１つの管状構造のセグメンテーション及び識別を行うための方法及びシステム

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: 20200410

RJ01 Rejection of invention patent application after publication