CN111008984A - 医学影像中正常器官的轮廓线自动勾画方法及系统 - Google Patents

医学影像中正常器官的轮廓线自动勾画方法及系统 Download PDF

Info

Publication number
CN111008984A
CN111008984A CN201911257619.XA CN201911257619A CN111008984A CN 111008984 A CN111008984 A CN 111008984A CN 201911257619 A CN201911257619 A CN 201911257619A CN 111008984 A CN111008984 A CN 111008984A
Authority
CN
China
Prior art keywords
normal organ
normal
image
organ
segmentation
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
Application number
CN201911257619.XA
Other languages
English (en)
Other versions
CN111008984B (zh
Inventor
魏军
谢培梁
郑少逵
吕丽云
田孟秋
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.)
Guangzhou Boshi Medical Technology Co ltd
Original Assignee
Guangzhou Boshi 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 Guangzhou Boshi Medical Technology Co ltd filed Critical Guangzhou Boshi Medical Technology Co ltd
Priority to CN202011401153.9A priority Critical patent/CN112508965B/zh
Priority to CN201911257619.XA priority patent/CN111008984B/zh
Publication of CN111008984A publication Critical patent/CN111008984A/zh
Priority to PCT/CN2020/134841 priority patent/WO2021115313A1/zh
Priority to PCT/CN2020/134840 priority patent/WO2021115312A1/zh
Application granted granted Critical
Publication of CN111008984B publication Critical patent/CN111008984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

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

Abstract

本发明实施例提供一种医学影像中正常器官的轮廓线自动勾画方法及系统，该方法包括以下步骤：步骤S1：获取医学影像采集的病人影像，并对其进行预处理；步骤S2：将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；步骤S3：根据确定的正常器官子分区内的各个正常器官的分割难度进行分级，并在确定的正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。该方法减少了基于卷积网络的分割模型的计算复杂度，提高了分割的准确度。

Description

医学影像中正常器官的轮廓线自动勾画方法及系统
技术领域
本发明涉及医学影像处理技术领域，尤其涉及一种医学影像中正常器官的轮廓线自动勾画方法及系统。
背景技术
放射治疗是目前临床上肿瘤治疗的三大重要手段之一。在放射治疗中，靶区和危及器官的勾画对放射治疗的精确度有着至关重要的影响，而目前临床上靶区和危及器官的轮廓线主要通过医生手动勾画获得。由医生手动勾画存在以下几点缺陷：一、勾画效率低；二、严重依赖医生的临床经验；三、可重复性差，不同医生在不同时间不同状态下勾画的结果均不一致。因此，临床上亟需精确快速的医学影像自动分割算法来减轻医生的负担，提高医学影像中正常器官分割的精确度和自动化程度。
基于地图集(atlas)的分割方法是医学影像中的正常器官自动勾画的热门方法，尤其是头颈部肿瘤的医学影像中，由于头颈部结构具有相对固定的位置关系，因此基于atlas的分割方法在头颈部的正常器官的分割中有较好表现。基于atlas的分割方法一般分为单atlas和多atlas方法。但是，单atlas分割方法对atlas的选择和病人之间的解剖结构的差别非常敏感，当目标图像与atlas存在较大差异是，单atlas方法可能分割失败。而多atlas分割方法可以减低对atlas和病人间差异的敏感度，较单atlas具有更高的分割精度，但是分割效率更低。此外，基于atlas的分割方法依赖图像配准算法，其可能引入额外的配准误差。基于atlas的正常器官分割方法存在诸多缺陷，无法满足临床需求。近年来，机器学习和深度学习，尤其是卷积神经网络(Convolutional Neural Network,CNN)在图像分类、计算机视觉和目标提取等领域上取得了巨大成功。许多研究者也将其应用于医学影像的分割。比如，Ibragimov,B等人于2017年提出了一种基于卷积神经网络的头颈部正常器官分割方法[Ibragimov B and Xing L 2017 Segmentation of organs-at-risks in head andneck CT images using convolutional neural networks,Medical physics 44 547-57]，并将其应用于头颈部医学影像中的9种正常器官的自动分割。该方法由以下步骤组成：(1)根据脑部正常器官与脑部中心坐标的相对位置关系粗略确定目标正常器官的感兴趣区域；(2)基于目标正常器官感兴趣区域内目标像素点和背景像素点所在的图像块(patch)训练基于卷积神经网络的分类模型；(3)然后，在待分割图像上目标正常器官的感兴趣区域上对所有像素点进行分类，从而实现图像中正常器官的分割；(4)最后，再利用马尔科夫随机场对分割结果进行后处理，去除部分过分割像素。该方法利用脑部正常器官的固定位置关系粗略确定感兴趣区域，并利用医生勾画的结果训练正常器官分割模型，实现头颈部多个正常器官的自动分割。
相比较于传统的基于地图集的正常器官分割方法，该方法在大部分正常器官上具有更高分割精度，但基于卷积神经网络的图像分割方法是根据医生勾画好的数据学习目标的特征，从而能更好地从图像上识别和分割出目标区域，而如视神经、视交叉神经等图像对比度较低，体积较小的正常器官在图像上的有效信息较少。因此，常规的基于patch的方法在这类正常器官上的分割上精度仍较低。而且图像对比度较低，使得体积较小的正常器官在图像上的分割对三维图像环境的依赖较为严重，但目前的硬件水平较难支持大型三维图像矩阵下的卷积神经网络模型的训练，因此，从临床医学影像上分割出大小悬殊，灰度各异的目标正常器官，仍是一个极具挑战的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种医学影像中正常器官的轮廓线自动勾画方法及系统。
第一方面，本发明实施例提供一种医学影像中正常器官的轮廓线自动勾画方法，包括以下步骤：
步骤S1：获取医学影像前采集的病人影像，并对其进行预处理；
步骤S2：将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
步骤S3：根据确定的正常器官子分区内的各个正常器官的分割难度进行分级；并在确定的正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
进一步地，病人影像的预处理包括：重采样和图像灰度归一化。
进一步地，步骤S2具体包括以下步骤：
S21：将所有待分割的正常器官当作为一个目标，对所述步骤S1所得到的预处理后的病人图像的各个维度进行2n倍降采样，基于卷积神经网络模型在2n倍降采样后的图像上进行目标区域识别，得到所有目标正常器官的粗略位置，再根据目标区域的中心坐标和目标正常器官大小的先验信息对所述步骤S1中所得到的预处理后的图像进行裁剪，去除图像中大部分的背景区域；
S22：将同一分区的正常器官当作为一个目标，对所述步骤S21所得到的裁剪后的图像的各个维度进行2n-1倍降采样，基于卷积神经网络模型在2n-1倍降采样后的图像上进行正常器官分区的识别，根据不同的正常器官分区识别结果对所述步骤S1中所得到的预处理后的图像进行区域裁剪，得到各个正常器官分区的图像；
S23：逐级迭代，直到定位出所有正常器官子分区的位置，并裁剪出各个正常器官子分区对应的图像。
进一步地，步骤S3具体包括以下步骤：
S31：将所述步骤S2所确定的正常器官子分区对应的图像作为输入，并基于卷积神经网络模型对第一级的正常器官进行分割，得到第一级正常器官的分割结果；
S32：将所述步骤S31得到的第一级正常器官的分割结果和所述步骤S2中所确定的正常器官子分区对应的图像作为输入，对第二级正常器官的分割进行约束，并基于卷积神经网络模型对第二级的正常器官进行分割，得到第二级正常器官的分割结果；
S33：逐级迭代，将所有已分割级别的正常器官的分割结果和所述步骤S2中所确定的正常器官子分区对应的图像作为输入，对当前级正常器官的分割进行约束，并基于卷积神经网络模型对当前分割级的正常器官进行分割，得到当前级别正常器官的分割结果，直到分割出所有正常器官。
进一步地，卷积神经网络模型的具体包括以下步骤：
建立卷积神经网络模型，该卷积神经网络模型以病人图像和已知的其他正常器官的分割结果作为输入，以分割结果作为输出；
收集医学影像前采集的病人影像和由经验丰富的医生勾画好的正常器官轮廓线；并对收集的病人图像进行预处理，再将医生勾画的每一个正常器官的轮廓线转化为掩模图像；
将预处理后的病人图像作为卷积神经网络模型的输入，根据卷积神经网络模型的当前输出和收集的医生勾画的对应正常器官的掩模图像计算当前分割模型的损失函数，采用反向传播方法对卷积神经网络模型的参数进行更新；反复迭代，当达到预设的模型训练迭代次数或损失函数达到预设阈值，卷积神经网络模型训练完成，保存模型参数。
进一步地，步骤S3中对目标正常器官轮廓线的自动勾画包括以下步骤：
导入对应的已经训练好卷积神经网络模型；
将对应的图像和已知的其他正常器官的分割结果输入训练好的卷积神经网络模型，得到正常器官的掩模图像；
根据得到的正常器官的掩模图像转化为轮廓线。
进一步地，掩模图像为二进制掩模图像。
第二方面，本发明实施例提供一种医学影像中正常器官的轮廓线自动勾画系统，包括：
病人影像预处理模块：用于获取医学影像前采集的病人影像，并对其进行预处理；
正常器官分组及定位目标正常器官子分区模块：用于将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
正常器官分割模块：用于根据正常器官子分区内的各个正常器官的分割难度进行分级；并在正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
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医学影像中正常器官的轮廓线自动勾画方法的步骤。
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医学影像中正常器官的轮廓线自动勾画方法的步骤。
本发明实施例提供的一种医学影像中正常器官的轮廓线自动勾画方法及系统针对大型三维图像下的分割对硬件水平要求较高的问题，采用迭代的方式，逐步减少背景区域，减少基于卷积网络的分割模型的计算复杂度，使得其对于硬件设备的要求大大降低。此外，针对图像对比度较低，体积较小的正常器官的分割精度低的问题，在迭代分割框架中，对正常器官实施由易到难的分割，并利用前次迭代的正常器官的分割结果约束下一次迭代的正常器官的分割，提高分割的准确度。
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医学影像中正常器官的轮廓线自动勾画方法流程图；
图2为本发明实施例提供的方法中步骤S2的流程图；
图3为本发明实施例提供的方法中步骤S3的流程图；
图4为本发明实施例提供的方法中卷积神经网络模型的流程图；
图5为本发明实施例提供的方法步骤S3中对目标正常器官轮廓线的自动勾画的流程图；
图6本发明实施例提供的医学影像中正常器官的轮廓线自动勾画系统的原理图；
图7本发明实施例提供的方法中迭代分割框架图；
图8本发明实施例提供的方法中迭代约束式正常器官分割模型框图；
图9本发明实施例提供的一种电子设备的实体结构图。
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。
图1为本发明实施例提供的一种医学影像中正常器官的轮廓线自动勾画方法流程图，如图1所示，该方法包括：
步骤S1：获取医学影像采集的病人影像，并对其进行预处理；
病人影像包括：CT(Computed Tomography)、MR(magnetic resonance)或PET(Positron Emission Tomography)等。其中，CT即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。MR是医学检查的一种方法，也是医学影像学的一场革命，生物体组织能被电磁波谱中的短波成分如X线等穿透，但能阻挡中波成分如紫外线、红外线及长波。人体组织允许磁共振产生的长波成分如无线电波穿过，这是磁共振应用于临床的基本条件之一。PET是核医学领域比较先进的临床检查影像技术。正常范围PET特别适用于在没有形态学改变之前，早期诊断疾病，发现亚临床病变以及评价治疗效果。目前，PET在肿瘤、冠心病和脑部疾病这三大类疾病的诊疗中尤其显示出重要的价值。
本发明实施例的步骤S1中，对病人影像进行预处理包括：重采样和图像灰度归一化。
步骤S2：将所有待分割的正常器官逐级分组(如：1级：所有正常器官；2级：正常器官分区；3级：正常器官子分区；4级：正常器官)，并采用迭代式方法逐步定位目标正常器官子分区；
如图2所示，本发明实施例的步骤S2具体包括以下步骤：
S21：将所有待分割的正常器官当作为一个目标，对步骤S1所得到的预处理后的病人图像的各个维度进行2n倍降采样，基于卷积神经网络模型在2n倍降采样后的图像上进行目标区域识别，得到所有目标正常器官的粗略位置，再根据目标区域的中心坐标和目标正常器官大小的先验信息对步骤S1中所得到的预处理后的图像进行裁剪，去除图像中大部分的背景区域；
S22：将同一分区的正常器官当作为一个目标，对步骤S21所得到的裁剪后的图像的各个维度进行2n-1倍降采样，基于卷积神经网络模型在2n-1倍降采样后的图像上进行正常器官分区的识别，根据不同的正常器官分区识别结果对步骤S1中所得到的预处理后的图像进行区域裁剪，得到各个正常器官分区的图像；
S23：逐级迭代，直到定位出所有正常器官子分区的位置，并裁剪出各个正常器官子分区对应的图像。
步骤S3：根据步骤S2所确定的正常器官子分区内的各个正常器官的分割难度进行分级(如，I级：简单，II级：一般，III级：困难)。在步骤S2所确定的正常器官子分区对应的图像上，采用如图8所示的迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
如图3所示，步骤S3具体包括以下步骤：
S31：将步骤S2所确定的正常器官子分区对应的图像作为输入，基于卷积神经网络模型，对I级(第一级)的正常器官进行分割，得到I级(第一级)正常器官的分割结果；
S32：将步骤S31得到的I级(第一级)正常器官的分割结果和步骤S2中所确定的正常器官子分区对应的图像作为输入，对II级(第二级)正常器官的分割进行约束，基于卷积神经网络模型，对II级(第二级)的正常器官进行分割，得到II级(第二级)正常器官的分割结果；
S33：逐级迭代，将所有已分割级别的正常器官的分割结果和步骤S2中所确定的正常器官子分区对应的图像作为输入，对当前级正常器官的分割进行约束，基于卷积神经网络模型，对当前分割级的正常器官进行分割，得到当前级别正常器官的分割结果，直到分割出所有正常器官。
其中图7示出了迭代分割框架图，步骤S2和步骤S3中所采用的卷积神经网络模型均是其采用监督学习的方式，根据预先采集的病人影像数据、由经验丰富的医生勾画好的正常器官轮廓线数据和已知的其他正常器官的分割结果(如果存在)进行训练，得到稳定的正常器官检测模型、正常器官子分区检测模型和对应子分区的正常器官分割模型，如图7中虚线部分所示。如图4所示，卷积神经网络模型的具体包括三个步骤：
(A)建立卷积神经网络模型，该卷积神经网络模型以病人图像和已知的其他正常器官的分割结果(如果存在)作为输入，以分割结果作为输出；
(B)收集采集的病人影像(CT，MR或PET)，和由经验丰富的医生勾画好的正常器官轮廓线。并对收集的病人图像重采样和图像灰度归一化的预处理，再将医生勾画的每一个正常器官的轮廓线转化为目标区域为1，背景区域为0的二进制掩模图像；
(C)将步骤(B)中预处理后的病人图像作为卷积神经网络模型的输入，根据卷积神经网络模型的当前输出和将步骤(B)中收集的医生勾画的对应正常器官的掩模图像，计算当前分割模型的损失函数，采用反向传播方法对卷积神经网络模型的参数进行更新。反复迭代，当达到预设的模型训练迭代次数或损失函数达到预设阈值，卷积神经网络模型训练完成，保存模型参数。
其中，如图5所示，步骤S3中对目标正常器官轮廓线的自动勾画包括以下步骤：
(A)导入对应的已经训练好卷积神经网络模型；
(B)将对应的图像和已知的其他正常器官的分割结果(如果存在)，输入训练好的卷积神经网络模型，得到正常器官的二进制掩模图像(即目标区域为1，背景区域为0)；
(C)根据步骤(B)得到的正常器官的掩模图像转化为轮廓线。
基于上述任一实施例，图6为本发明实施例提供的一种医学影像中正常器官的轮廓线自动勾画系统的结构示意图，该系统包括：
病人影像预处理模块：用于获取医学影像前采集的病人影像，并对其进行预处理；
正常器官分组及定位目标正常器官子分区模块：用于将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
正常器官分割模块：用于根据正常器官子分区内的各个正常器官的分割难度进行分级；并在正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
综上所述，本发明实施例提供的医学影像中正常器官的轮廓线自动勾画方法及系统针对大型三维图像下的分割对硬件水平要求较高的问题，采用迭代的方式，逐步减少背景区域，减少基于卷积网络的分割模型的计算复杂度，使得其对于硬件设备的要求大大降低。此外，针对图像对比度较低，体积较小的正常器官的分割精度低的问题，在迭代分割框架中，对正常器官实施由易到难的分割，并利用前次迭代的正常器官的分割结果约束下一次迭代的正常器官的分割，提高分割的准确度。
图9为本发明实施例提供的一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的方法，例如包括：
获取医学影像前采集的病人影像，并对其进行预处理；
将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
根据正常器官子分区内的各个正常器官的分割难度进行分级；并在正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
此外，上述的存储器303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以执行上述各实施例提供的方法，例如包括：
获取采集的病人影像，并对其进行预处理；
将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
根据正常器官子分区内的各个正常器官的分割难度进行分级；并在正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
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 (10)

1.一种医学影像中正常器官的轮廓线自动勾画方法，其特征在于，包括以下步骤：
步骤S1：获取医学影像采集的病人影像，并对其进行预处理；
步骤S2：将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
步骤S3：根据确定的正常器官子分区内的各个正常器官的分割难度进行分级，并在确定的正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
2.根据权利要求1所述的医学影像中正常器官的轮廓线自动勾画方法，其特征在于，所述病人影像的预处理包括：重采样和图像灰度归一化。
3.根据权利要求1所述的医学影像中正常器官的轮廓线自动勾画方法，其特征在于，所述步骤S2具体包括以下步骤：
S21：将所有待分割的正常器官当作为一个目标，对所述步骤S1所得到的预处理后的病人图像的各个维度进行2n(n≥1)倍降采样，基于卷积神经网络模型在2n倍降采样后的图像上进行目标区域识别，得到所有目标正常器官的粗略位置，再根据目标区域的中心坐标和目标正常器官大小的先验信息对所述步骤S1中所得到的预处理后的图像进行裁剪，去除图像中大部分的背景区域；
S22：将同一分区的正常器官当作为一个目标，对所述步骤S21所得到的裁剪后的图像的各个维度进行2n-1倍降采样，基于卷积神经网络模型在2n-1倍降采样后的图像上进行正常器官分区的识别，根据不同的正常器官分区识别结果对所述步骤S1中所得到的预处理后的图像进行区域裁剪，得到各个正常器官分区的图像；
S23：逐级迭代，直到定位出所有正常器官子分区的位置，并裁剪出各个正常器官子分区对应的图像。
4.根据权利要求3所述的医学影像中正常器官的轮廓线自动勾画方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：将所述步骤S2所确定的正常器官子分区对应的图像作为输入，并基于卷积神经网络模型对第一级的正常器官进行分割，得到第一级正常器官的分割结果；
S32：将所述步骤S31得到的第一级正常器官的分割结果和所述步骤S2中所确定的正常器官子分区对应的图像作为输入，对第二级正常器官的分割进行约束，并基于卷积神经网络模型对第二级的正常器官进行分割，得到第二级正常器官的分割结果；
S33：逐级迭代，将所有已分割级别的正常器官的分割结果和所述步骤S2中所确定的正常器官子分区对应的图像作为输入，对当前级正常器官的分割进行约束，并基于卷积神经网络模型对当前分割级的正常器官进行分割，得到当前级别正常器官的分割结果，直到分割出所有正常器官。
5.根据权利要求4所述的医学影像中正常器官的轮廓线自动勾画方法，其特征在于，所述卷积神经网络模型的具体包括以下步骤：
建立卷积神经网络模型，该卷积神经网络模型以病人图像和已知的其他正常器官的分割结果作为输入，以分割结果作为输出；
收集医学影像前采集的病人影像和由经验丰富的医生勾画好的正常器官轮廓线；并对收集的病人图像进行预处理，再将医生勾画的每一个正常器官的轮廓线转化为掩模图像；
将预处理后的病人图像作为卷积神经网络模型的输入，根据卷积神经网络模型的当前输出和收集的医生勾画的对应正常器官的掩模图像计算当前分割模型的损失函数，采用反向传播方法对卷积神经网络模型的参数进行更新；反复迭代，当达到预设的模型训练迭代次数或损失函数达到预设阈值，卷积神经网络模型训练完成，保存模型参数。
6.根据权利要求5所述的医学影像中正常器官的轮廓线自动勾画方法，其特征在于，所述步骤S3中对目标正常器官轮廓线的自动勾画包括以下步骤：
导入对应的已经训练好卷积神经网络模型；
将对应的图像和已知的其他正常器官的分割结果输入训练好的卷积神经网络模型，得到正常器官的掩模图像；
根据得到的正常器官的掩模图像转化为轮廓线。
7.根据权利要求5或6所述的医学影像中正常器官的轮廓线自动勾画方法，其特征在于，所述掩模图像为二进制掩模图像。
8.一种医学影像中正常器官的轮廓线自动勾画系统，其特征在于，包括：
病人影像预处理模块：用于获取医学影像前采集的病人影像，并对其进行预处理；
正常器官分组及定位目标正常器官子分区模块：用于将所有待分割的正常器官逐级分组，并采用迭代式方法逐步定位目标正常器官子分区；
正常器官分割模块：用于根据正常器官子分区内的各个正常器官的分割难度进行分级；并在正常器官子分区对应的图像上采用迭代约束式正常器官分割模型对目标正常器官轮廓线的进行自动勾画，直至所有正常器官子分区内的所有正常器官分割完毕。
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如权利要求1至7任一项所述的医学影像中正常器官的轮廓线自动勾画方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述的医学影像中正常器官的轮廓线自动勾画方法的步骤。
CN201911257619.XA 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画方法 Active CN111008984B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011401153.9A CN112508965B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画系统
CN201911257619.XA CN111008984B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画方法
PCT/CN2020/134841 WO2021115313A1 (zh) 2019-12-10 2020-12-09 医学影像中正常器官的轮廓线自动勾画系统
PCT/CN2020/134840 WO2021115312A1 (zh) 2019-12-10 2020-12-09 医学影像中正常器官的轮廓线自动勾画方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911257619.XA CN111008984B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011401153.9A Division CN112508965B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画系统

Publications (2)

Publication Number Publication Date
CN111008984A true CN111008984A (zh) 2020-04-14
CN111008984B CN111008984B (zh) 2021-03-12

Family

ID=70115145

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201911257619.XA Active CN111008984B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画方法
CN202011401153.9A Active CN112508965B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011401153.9A Active CN112508965B (zh) 2019-12-10 2019-12-10 医学影像中正常器官的轮廓线自动勾画系统

Country Status (2)

Country Link
CN (2) CN111008984B (zh)
WO (2) WO2021115313A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738989A (zh) * 2020-06-02 2020-10-02 北京全域医疗技术集团有限公司 一种器官勾画方法及装置
CN111784706A (zh) * 2020-06-28 2020-10-16 广州柏视医疗科技有限公司 鼻咽癌原发肿瘤图像自动识别方法及系统
WO2021115313A1 (zh) * 2019-12-10 2021-06-17 广州柏视医疗科技有限公司 医学影像中正常器官的轮廓线自动勾画系统
CN113035334A (zh) * 2021-05-24 2021-06-25 四川大学 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置
CN113516659A (zh) * 2021-09-15 2021-10-19 浙江大学 一种基于深度学习的医学影像自动分割方法
CN114141336A (zh) * 2021-12-01 2022-03-04 张福生 基于mri的人体成分标记方法、系统、设备和存储介质
CN115482231A (zh) * 2022-09-27 2022-12-16 推想医疗科技股份有限公司 图像分割方法、装置、存储介质和电子设备
CN117152442A (zh) * 2023-10-27 2023-12-01 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536575A (zh) * 2021-07-20 2021-10-22 深圳市联影高端医疗装备创新研究院 器官轮廓勾画方法、医学影像系统以及存储介质
CN113633306A (zh) * 2021-08-31 2021-11-12 上海商汤智能科技有限公司 图像处理方法及相关装置、电子设备和存储介质
CN114049359B (zh) * 2021-11-22 2024-04-16 北京航空航天大学 医学影像器官分割方法
CN117351489B (zh) * 2023-12-06 2024-03-08 四川省肿瘤医院 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140147013A1 (en) * 2010-10-11 2014-05-29 The Regents Of The University Of Colorado, A Body Corporate Direct echo particle image velocimetry flow vector mapping on ultrasound dicom images
CN108447551A (zh) * 2018-02-09 2018-08-24 北京连心医疗科技有限公司 一种基于深度学习的靶区自动勾画方法、设备和存储介质
CN109727235A (zh) * 2018-12-26 2019-05-07 苏州雷泰医疗科技有限公司 一种基于深度学习的器官自动勾画算法
CN109785306A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 器官勾画方法、装置、计算机设备和存储介质
CN110197492A (zh) * 2019-05-23 2019-09-03 山东师范大学 一种心脏mri左心室分割方法及系统
CN110310287A (zh) * 2018-03-22 2019-10-08 北京连心医疗科技有限公司 基于神经网络的危及器官自动勾画方法、设备和存储介质
WO2019194865A1 (en) * 2018-04-02 2019-10-10 12 Sigma Technologies Enhanced convolutional neural network for image segmentation

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1665130A4 (en) * 2003-09-25 2009-11-18 Paieon Inc SYSTEM FOR THREE-DIMENSIONAL RECONSTRUCTION OF A TUBULAR ORGAN
CN109035261B (zh) * 2018-08-09 2023-01-10 北京市商汤科技开发有限公司 医疗影像处理方法及装置、电子设备及存储介质
CN111008984B (zh) * 2019-12-10 2021-03-12 广州柏视医疗科技有限公司 医学影像中正常器官的轮廓线自动勾画方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140147013A1 (en) * 2010-10-11 2014-05-29 The Regents Of The University Of Colorado, A Body Corporate Direct echo particle image velocimetry flow vector mapping on ultrasound dicom images
CN108447551A (zh) * 2018-02-09 2018-08-24 北京连心医疗科技有限公司 一种基于深度学习的靶区自动勾画方法、设备和存储介质
CN110310287A (zh) * 2018-03-22 2019-10-08 北京连心医疗科技有限公司 基于神经网络的危及器官自动勾画方法、设备和存储介质
WO2019194865A1 (en) * 2018-04-02 2019-10-10 12 Sigma Technologies Enhanced convolutional neural network for image segmentation
CN109727235A (zh) * 2018-12-26 2019-05-07 苏州雷泰医疗科技有限公司 一种基于深度学习的器官自动勾画算法
CN109785306A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 器官勾画方法、装置、计算机设备和存储介质
CN110197492A (zh) * 2019-05-23 2019-09-03 山东师范大学 一种心脏mri左心室分割方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BULAT IBRAGIMOV 等: "Segmentation of organs-at-risks in head and neck CT images using convolutional neural networks", 《MOBIUS》 *
YU-LEN HUANG 等: "Three-Dimensional Region-Based Segmentation for Breast Tumors on Sonography", 《TECHNICAL INNOVATION》 *
YUN LU 等: "Identification of Metastatic Lymph Nodes in MR Imaging with Faster Region-Based Convolutional Neural Networks", 《AACR》 *
门阔 等: "利用深度反卷积神经网络自动勾画放疗危及器官", 《中国医学物理学杂志》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021115313A1 (zh) * 2019-12-10 2021-06-17 广州柏视医疗科技有限公司 医学影像中正常器官的轮廓线自动勾画系统
WO2021115312A1 (zh) * 2019-12-10 2021-06-17 广州柏视医疗科技有限公司 医学影像中正常器官的轮廓线自动勾画方法
CN111738989A (zh) * 2020-06-02 2020-10-02 北京全域医疗技术集团有限公司 一种器官勾画方法及装置
CN111738989B (zh) * 2020-06-02 2023-10-24 北京全域医疗技术集团有限公司 一种器官勾画方法及装置
CN111784706A (zh) * 2020-06-28 2020-10-16 广州柏视医疗科技有限公司 鼻咽癌原发肿瘤图像自动识别方法及系统
CN113035334A (zh) * 2021-05-24 2021-06-25 四川大学 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置
CN113516659B (zh) * 2021-09-15 2021-12-28 浙江大学 一种基于深度学习的医学影像自动分割方法
CN113516659A (zh) * 2021-09-15 2021-10-19 浙江大学 一种基于深度学习的医学影像自动分割方法
CN114141336A (zh) * 2021-12-01 2022-03-04 张福生 基于mri的人体成分标记方法、系统、设备和存储介质
CN115482231A (zh) * 2022-09-27 2022-12-16 推想医疗科技股份有限公司 图像分割方法、装置、存储介质和电子设备
CN115482231B (zh) * 2022-09-27 2023-08-29 推想医疗科技股份有限公司 图像分割方法、装置、存储介质和电子设备
CN117152442A (zh) * 2023-10-27 2023-12-01 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质
CN117152442B (zh) * 2023-10-27 2024-02-02 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
WO2021115312A1 (zh) 2021-06-17
WO2021115313A1 (zh) 2021-06-17
CN111008984B (zh) 2021-03-12
CN112508965B (zh) 2023-08-22
CN112508965A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
US11344273B2 (en) Methods and systems for extracting blood vessel
US11869202B2 (en) Method and system for processing multi-modality image
US11062449B2 (en) Method and system for extracting vasculature
US10769791B2 (en) Systems and methods for cross-modality image segmentation
CN107798682B (zh) 图像分割系统、方法、装置和计算机可读存储介质
CN107545584B (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
CN112001925B (zh) 图像的分割方法、放射治疗系统、计算机设备和存储介质
CN107203741B (zh) 血管提取方法、装置及其系统
US8588498B2 (en) System and method for segmenting bones on MR images
EP2620909B1 (en) Method, system and computer readable medium for automatic segmentation of a medical image
CN106709920B (zh) 血管提取方法及其装置
EP2689344B1 (en) Knowledge-based automatic image segmentation
CN116797612B (zh) 基于弱监督深度活动轮廓模型的超声图像分割方法及装置
US20080285822A1 (en) Automated Stool Removal Method For Medical Imaging
CN114255235A (zh) 用于自动定位三维图像中的器官分段的方法和布置
EP4330915A1 (en) Systems and methods for image correction
US20220044454A1 (en) Deep reinforcement learning for computer assisted reading and analysis
US20230281842A1 (en) Generation of 3d models of anatomical structures from 2d radiographs
Tan et al. A pulmonary vascular segmentation algorithm of chest CT images based on fast marching method
WO2023021052A1 (en) Object reconstruction in digital images

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