CN111047557A - 一种基于深度学习的淋巴癌图像分割的数据增强方法 - Google Patents

一种基于深度学习的淋巴癌图像分割的数据增强方法 Download PDF

Info

Publication number
CN111047557A
CN111047557A CN201911138590.3A CN201911138590A CN111047557A CN 111047557 A CN111047557 A CN 111047557A CN 201911138590 A CN201911138590 A CN 201911138590A CN 111047557 A CN111047557 A CN 111047557A
Authority
CN
China
Prior art keywords
lymph cancer
information
data
patient
deep learning
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
CN201911138590.3A
Other languages
English (en)
Inventor
胡海根
杜超
苏一平
周乾伟
肖杰
管秋
陈胜勇
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911138590.3A priority Critical patent/CN111047557A/zh
Publication of CN111047557A publication Critical patent/CN111047557A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06T2207/20081—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的淋巴癌图像分割的数据增强方法，所述方法包括以下步骤：步骤1.数据准备阶段：1.1)对于每个训练的病人，首先根据其医生的标注信息，获取其淋巴癌的位置信息；1.2)对于一个小区域内，不相连的局部独立病灶视为一个整体；1.3)对于每个独立的病灶，计算能包裹病灶的长方体空间；1.4)每个矩形，记录其在患者身体中的具体位置(x1,y1,z1)(x2,y2,z2)；5)对所有训练集患者重复1.1)～1.4)，截取所有的病灶以及保存所有的位置信息，形成一个完整的淋巴癌数据库；步骤2.训练数据阶段。本发明对使用深度学习进行淋巴癌分割的性能提升明显，在各种神经网络结构中结果稳定。

Description

一种基于深度学习的淋巴癌图像分割的数据增强方法
技术领域
本发明涉及一种基于深度学习的淋巴癌图像分割的数据增强方法。
技术背景
18-fluorine fluorodeoxyglucose(18FFDG)的PET图像是诊断和分析淋巴癌的主要手段，在PET图像中，standardized uptake value(SUV)被广泛用于定位和分割淋巴癌。但是由于PET图像成像分辨率低，对患者进行人工排查病灶耗时费力。目前主要的自动分割技术为局部区域的阈值分割，以及改进的自适应阈值分割，基于传统机器学习的SVM，随机森林，决策树等传统机器学习的方法，以及近年来流行的深度学习方法。但是由于传统方法侧重于先验知识，需要医生进行交互，深度学习方法需要庞大的数据集，标注成本过高。
发明内容
为了克服现有技术的不足，本发明提供一种结合患者背景信息的深度学习在淋巴癌图像分割中的数据增强方法，在多种流行的分割神经网络架构都得到了性能的提升。
为了解决上述技术问题，本发明能够提供如下的技术方案：
一种基于深度学习的淋巴癌图像分割的数据增强方法，所述方法包括以下步骤：
步骤1.数据准备阶段，过程如下：
1.1)对于每个训练的病人，首先根据其医生的标注信息，获取其淋巴癌的位置信息；
1.2)对于一个小区域内，不相连的局部独立病灶视为一个整体；
1.3)对于每个独立的病灶，计算能包裹病灶的长方体空间；
1.4)每个矩形，记录其在患者身体中的具体位置(x1,y1,z1)(x2,y2,z2)；
1.5)对所有训练集患者重复1.1)～1.4)，截取所有的病灶以及保存所有的位置信息，形成一个完整的淋巴癌数据库；
步骤2.训练数据阶段，过程如下：
2.1)对于每一次迭代，程序随机从淋巴癌库中选取若干个病灶；
2.2)对于每一个淋巴癌块，首先按照截取记录解析出原先的位置信息(x,y,z)；
2.3)对于获得的位置，随机添加一个微小的偏移(xb,yb,zb)；
2.4)根据最后的得到的位置信息，将对应的淋巴癌块按比例整合到病人身上；
2.5)更新标签信息；
2.6)训练过程中重复2.1)～2.5)直到模型达到最优。
进一步，所述步骤1中，制作淋巴癌库，在截取病灶时，可以保留病灶之外的数据，也可以只保留存在病灶的数据；所述步骤2中，从淋巴癌库中随机选取的数量需要根据实验的复杂程度做出调整，且每一次取出的数量也存在差异，这样能最大程度增加数据的多样性。
本发明的技术构思为：根据淋巴癌的在患者中的特点：位置不固定，大小不固定，SUV值强度不固定，即患者A出现病灶的位置为B，其他患者也有可能会出现病灶，但是有由于数据集有限，其余训练病人都没有在身体的位置B出现病灶，那么神经网络对于这个部位的识别能力就会下降。所以，本发明将利用有限的病灶信息，结合不同的患者背景，来重复扩充数据集，使得训练出的模型鲁棒性更好。
本发明的有益效果主要表现在：利用有限的淋巴癌信息极大扩充样本量。
附图说明
图1是本发明方法淋巴癌自动分割框架示意图；
图2是本发明方法数据处理部分。
图3是本发明方法将数据进行增强训练部分。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1，图2和图3，一种基于深度学习的淋巴癌图像分割的数据增强方法，Lymphoma Pool中包含了所有训练集中截取出来的淋巴癌块。在每一次训练过程中，随机选取若干个淋巴癌块整合到即将训练的病人中，并且更新训练数据的掩码。
每次训练，选取的淋巴癌块都是不同的，因此每次的数据或多或少都存在差异，通过排列组合，获得的样本量将非常巨大。
具体步骤参照图1，所述深度学习在淋巴癌图像分割中的数据增强方法包括以下步骤：
步骤1.数据准备阶段如图2，过程如下：
1.1)对于每个训练的病人，首先根据其医生的标注信息，获取其淋巴癌的位置信息；
1.2)对于一个小区域内，不相连的局部独立病灶视为一个整体；
1.3)对于每个独立的病灶，计算能包裹病灶的长方体空间；
1.4)每个矩形，记录其在患者身体中的具体位置(x1,y1,z1)(x2,y2,z2)；
1.5)对所有训练集患者重复1.1～1.4)，截取所有的病灶以及保存所有的位置信息，形成一个完整的淋巴癌数据库；
步骤2.训练数据阶段如图3，过程如下：
2.1)对于每一次迭代，程序随机从淋巴癌库中选取若干个病灶；
2.2)对于每一个淋巴癌块，首先按照截取记录解析出原先的位置信息(x,y,z)；
2.3)对于获得的位置，随机添加一个微小的偏移(xb,yb,zb)；
2.4)根据最后的得到的位置信息，将对应的淋巴癌块按比例整合到病人身上；
2.5)更新标签信息；
2.6)训练过程中重复2.1)～2.5)直到模型达到最优。
进一步，所述步骤1中，制作淋巴癌库截取病灶时，可以保留病灶之外的数据，也可以只保留存在病灶的数据；所述步骤2中，从淋巴癌库中随机选取的数量需要根据实验的复杂程度做出调整，且每一次取出的数量也存在差异，这样能最大程度增加数据的多样性。

Claims (2)

1.一种基于深度学习的淋巴癌图像分割的数据增强方法，其特征在于，所述方法包括以下步骤：
步骤1.数据准备阶段，过程如下：
1.1)对于每个训练的病人，首先根据其医生的标注信息，获取其淋巴癌的位置信息；
1.2)对于一个小区域内，不相连的局部独立病灶视为一个整体；
1.3)对于每个独立的病灶，计算能包裹病灶的长方体空间；
1.4)每个矩形，记录其在患者身体中的具体位置(x1,y1,z1)(x2,y2,z2)；
1、5)对所有训练集患者重复1.1～1.4)，截取所有的病灶以及保存所有的位置信息，形成一个完整的淋巴癌数据库；
步骤2.训练数据阶段，过程如下：
2.1)对于每一次迭代，程序随机从淋巴癌库中选取若干个病灶；
2.2)对于每一个淋巴癌块，首先按照截取记录解析出原先的位置信息(x,y,z)；
2.3)对于获得的位置，随机添加一个微小的偏移(xb,yb,zb)；
2.4)根据最后的得到的位置信息，将对应的淋巴癌块按比例整合到病人身上；
2.5)更新标签信息；
2.6)训练过程中重复2.1～2.5)直到模型达到最优。
2.如权利要求1所述的一种基于深度学习的淋巴癌图像分割的数据增强方法，其特征在于，所述步骤1中，将淋巴癌患者的病灶作为独立的信息，截取并且保存位置信息，将所有的淋巴癌块视为一个综合的淋巴癌信息库；所述步骤2中，将步骤1中保存的淋巴癌库中的淋巴癌信息结合到其他患者背景中去，达到增加数据的目的。
CN201911138590.3A 2019-11-20 2019-11-20 一种基于深度学习的淋巴癌图像分割的数据增强方法 Pending CN111047557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911138590.3A CN111047557A (zh) 2019-11-20 2019-11-20 一种基于深度学习的淋巴癌图像分割的数据增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911138590.3A CN111047557A (zh) 2019-11-20 2019-11-20 一种基于深度学习的淋巴癌图像分割的数据增强方法

Publications (1)

Publication Number Publication Date
CN111047557A true CN111047557A (zh) 2020-04-21

Family

ID=70232703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911138590.3A Pending CN111047557A (zh) 2019-11-20 2019-11-20 一种基于深度学习的淋巴癌图像分割的数据增强方法

Country Status (1)

Country Link
CN (1) CN111047557A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859215A (zh) * 2019-01-30 2019-06-07 北京慧脑云计算有限公司 一种基于Unet模型的脑白质高信号自动分割系统及其方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859215A (zh) * 2019-01-30 2019-06-07 北京慧脑云计算有限公司 一种基于Unet模型的脑白质高信号自动分割系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAIGEN HU ET AL: "A Background-based Data Enhancement Method for Lymphoma Segmentation in 3D PET Images", 《2019 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 *

Similar Documents

Publication Publication Date Title
WO2017008349A1 (zh) 指纹识别的方法及装置
CN108734708B (zh) 胃癌识别方法、装置及存储介质
CN110991506B (zh) 一种车辆品牌识别方法、装置、设备及存储介质
CN104615911B (zh) 基于稀疏编码及链学习预测膜蛋白beta‑barrel跨膜区域的方法
CN112508835B (zh) 一种基于gan的无造影剂医学图像增强建模方法
CN113221869B (zh) 医疗发票结构化信息提取方法、装置设备及存储介质
US11816824B2 (en) Computer implemented process to enhance edge defect detection and other defects in ophthalmic lenses
CN112288714B (zh) 基于深度学习的硬件木马检测方法
CN109377494A (zh) 一种用于图像的语义分割方法和装置
CN106384071A (zh) 一种二维码扫描识别处理方法及装置
CN111723852A (zh) 针对目标检测网络的鲁棒训练方法
CN110969176B (zh) 一种车牌样本扩增方法、装置和计算机设备
CN108596840B (zh) 一种用于深度学习评定血管网络发育水平的数据集增强方法
CN111047557A (zh) 一种基于深度学习的淋巴癌图像分割的数据增强方法
CN115953821B (zh) 一种虚拟人脸图像生成方法、装置及电子设备
CN110310270B (zh) 基于U-net网络模型的肿瘤微球轮廓检测方法及装置
CN113642554B (zh) 一种图像识别的网络构建方法、装置及设备
CN113065480B (zh) 书法作品风格的识别方法、装置、电子装置和存储介质
CN110751163A (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
CN111260663B (zh) 鼻咽癌的病灶图像分割装置、设备及计算机可读存储介质
CN110070047B (zh) 一种人脸对比方法、系统及电子设备和存储介质
CN113450355A (zh) 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法
CN113792649A (zh) 一种基于指静脉生物识别技术的快速认证方法、设备及介质
CN110188773B (zh) 图像处理方法及装置
CN112906753A (zh) 基于he染色图像与mbt染色图像的匹配技术

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421