CN111105424A - 淋巴结自动勾画方法及装置 - Google Patents
淋巴结自动勾画方法及装置 Download PDFInfo
- Publication number
- CN111105424A CN111105424A CN201911314752.4A CN201911314752A CN111105424A CN 111105424 A CN111105424 A CN 111105424A CN 201911314752 A CN201911314752 A CN 201911314752A CN 111105424 A CN111105424 A CN 111105424A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- image
- delineation
- patient
- region
- 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
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 29
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012805 post-processing Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009545 invasion Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000001394 metastastic effect Effects 0.000 description 3
- 206010061289 metastatic neoplasm Diseases 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000920 organ at risk Anatomy 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种淋巴结自动勾画方法及装置，所述方法包括：获取待勾画淋巴结的病人影像，对病人影像进行预处理，获得感兴趣区域图像；将感兴趣区域图像输入至淋巴结分割模型中，获得表示淋巴结区域的二值图像；对表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；其中，淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。本发明实施例可有效地解决现有淋巴结勾画方法耗时长、勾画不准确以及分割精度低的问题。
Description
技术领域
本发明涉及医学图像处理技术领域，更具体地，涉及一种淋巴结自动勾画方法及装置。
背景技术
作为治疗癌症的重要手段之一，放射治疗需要精确地定义勾画出大体肿瘤(Grosstumor volume,GTV)、临床靶区(Clinical target volume,CTV)、计划靶区(Planningtarget volume,PTV)、危及器官(Organ atrisk,OAR)和计划危及区(Planning organ atrisk volume,PRV)。其中，大体肿瘤GTV指临床体检或影像学检查可见的大体肿瘤区，包括原发灶(GTVp)和转移区域淋巴结(GTVn)。精确的GTV勾画能有效减少肿瘤的复发概率，同时减少放疗带来的副作用。
目前临床上转移区域淋巴结(GTVn)的勾画主要由医生手动完成，严重依赖医生的临床经验且非常耗时。目前在研究中的淋巴结自动勾画方法主要有2种类型，一是基于传统图像分割算法，比如图割法、基于变形模型的分割方法等，传统算法分割精度低，耗时长，平均30s/slice，而且需要人工介入；二是基于深度学习的分割方法，该方法利用医生标注的数据训练卷积神经网络，使其能够自动勾画淋巴结。
对于手动勾画淋巴结GTVn靶区，由于勾画时只有水平面的视角参照、缺乏上下层视角参考的客观原因，以及由医生经验不同造成主观差异的存在，导致不同医生之间的靶区的勾画结果存在很大差异，这对后续治疗方案的确定以及治疗效果的评估带来了不利的影响。另外，手动勾画需要耗费医生大量时间，勾画淋巴结平均耗时1-2h/例，而在整个治疗过程中这个步骤要重复好几次，因此对医生而言，这是一项繁复耗时的工作。
由于CT图像本身对比度低，淋巴结与周围组织边界模糊，使得传统分割算法很难达到满意的效果，另外传统分割算法一般针对二维图像进行处理，对于三维CT图像而言，意味着需要几倍甚至只十倍的时间才能处理完整个图像序列。
当前基于深度学习的淋巴结分割算法都仅利用CT图像本身的信息。此外，相对于背景区域，淋巴结所占体积比例只有1/100甚至1/1000，对于这种分布极度不均衡的数据，神经网络的训练过程中一般使用基于区域的损失函数DSC，这能在一定程度上解决数据不均衡的问题，相较于使用交叉熵(cross-entropy)作为损失函数，训练结果有较大提高。但是DSC对目标尺寸比较敏感，对于分割任务中的小目标，极少像素的错误分类都会导致DSC损失很大，所以对于淋巴结分割这种从几mm到几十mm、目标尺寸变化极大的场景，DSC的优化过程不够稳定，因此最终分割精度较低。
发明内容
为了解决现有淋巴结勾画方法耗时长、勾画不准确、分割精度低的问题，本发明实施例提供一种淋巴结自动勾画方法及装置。
第一方面，本发明实施例提供一种淋巴结自动勾画方法，包括：
获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；
将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；
对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；
其中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
其中，训练获得所述淋巴结分割模型的步骤，具体包括：
构建卷积神经网络；
将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络，获得输出图像；
基于所述输出图像和与所述病人影像样本对应的医生手工勾画的淋巴结数据，利用基于距离测量的边界损失函数，计算损失函数值；
通过反向传播算法，从所述卷积神经网络的输出层开始自顶向下地调整所述卷积神经网络的各个参数，以使所述损失函数值朝最小化方向移动；
判断是否达到训练结束条件，若是，则保存当前迭代所述卷积神经网络的参数，获得训练好的淋巴结分割模型。
其中，所述基于距离测量的边界损失函数具体为：
loss＝DSC+λ*loss_BD (1)
其中，DSC为dice相似度系数，loss_BD为边界损失，P为所述输出图像，G为与所述病人影像样本对应的医生手工勾画的淋巴结数据groundtruth，Ω为整个图像空间，dp、dg分别为P和G的距离变换图上的对应像素点，所述距离变换图通过计算图像上各像素点到目标轮廓的最短距离得到，λ为平衡区域损失和边界损失的权重。
其中，对所述病人影像进行预处理，获得感兴趣区域图像，具体包括：
截取所述病人影像的指定层面，获得待处理图像；
通过投影算法得到所述待处理图像的投影曲线，并对所述投影曲线进行平滑处理；
根据人体轮廓特征对经过平滑处理的所述投影曲线进行淋巴结分割的感兴趣区域提取，并根据所述淋巴结分割模型的输入尺寸对提取结果进行归一化处理，得到感兴趣区域图像。
其中，对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果，具体包括：
将所述表示淋巴结区域的二值图像恢复到归一化处理之前的格式；
根据所述病人影像以及感兴趣区域图像的坐标，将已恢复到归一化处理之前的格式的图像恢复到所述病人影像的格式，获得表示淋巴结区域分割结果的二值图；
对所述表示淋巴结区域分割结果的二值图进行轮廓提取，获得淋巴结勾画轮廓线。
其中，所述卷积神经网络包括：全卷积神经网络FCN、Unet或SegNet中的一种，或者，所述全卷积神经网络FCN、Unet或SegNet的变种中的一种。
其中，将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络之前，还包括：
获取病人影像样本，对所述病人影像样本进行预处理，并获取基于先验知识的淋巴结转移概率信息，获取与所述病人影像样本对应的医生手工勾画的淋巴结数据。
第二方面，本发明实施例提供一种淋巴结自动勾画装置，包括：
预处理模块，用于获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；
淋巴结分割模块，用于将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；
后处理模块，用于对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；
其中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
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淋巴结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淋巴结自动勾画方法的步骤。
本发明实施例提供的淋巴结自动勾画方法及装置，结合人体内部淋巴结转移概率不同的临床先验知识训练得到淋巴结分割模型，极大提高了基于深度学习的淋巴结分割模型的分割精度，能够快速、准确地对病人影像进行淋巴结的自动勾画，可有效地解决现有淋巴结勾画方法耗时长、勾画不准确、分割精度低的问题。
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一简单地介绍，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淋巴结自动勾画方法的流程示意图；
图2为本发明实施例提供的训练获得所述淋巴结分割模型的流程示意图；
图3a为本发明实施例提供的距离变换的原始图像I；
图3b为本发明实施例提供的原始图像I对应的距离变换图T；
图4为本发明实施例提供的淋巴结自动勾画装置的结构示意图；
图5为本发明实施例提供的电子设备的实体结构示意图。
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。
为了解决现有淋巴结勾画方法耗时长、勾画不准确、分割精度低的问题，本发明实施例提供一种淋巴结自动勾画方法，图1为本发明实施例提供的淋巴结自动勾画方法的流程示意图，包括：
步骤100、获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；
具体地，病人影像可以是各种模态的图像，比如：CT(Computed Tomography)、MR(magnetic resonance)或PET(Positron Emission Tomography)等。
对所获取的待勾画淋巴结的病人影像进行预处理，预处理包括：检测感兴趣区域ROI(region of interest)，进行数据归一化等操作，其中，检测感兴趣区域ROI的目的是对待勾画淋巴结的病人影像进行定位、明确要处理的区域，进行数据归一化是为了获得符合淋巴结分割模型输入尺寸的图像，在本发明实施例中，将经过预处理的待勾画淋巴结的病人影像称为感兴趣区域图像。
步骤101、将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；
具体地，本发明实施例基于卷积神经网络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淋巴结数据和淋巴结转移概率信息进行训练，从而得到稳定的淋巴结分割模型，实现了对感兴趣区域图像进行淋巴结的自动勾画。
由于病人影像本身对比度低、淋巴结与周围组织边界模糊，导致仅利用病人影像信息的分割算法很难达到满意的分割效果。在本发明实施例中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
所述淋巴结分割模型采用的是卷积神经网络。基于先验知识的淋巴结转移概率信息是指各个淋巴结分区的受侵犯概率，是经过大量的临床研究总结出来的淋巴结侵犯规律。在训练卷积神经网络得到淋巴结分割模型时，将基于先验知识的淋巴结转移概率信息作为第二通道输入的目的就是为了给予卷积神经网络各个分区出现淋巴结的概率大小，相当于增加了基于临床知识的先验信息，让卷积神经网络更关注于淋巴结所在区域，从而提高淋巴结分割精度。
淋巴结分割模型的输出为表示淋巴结区域的二值图像。
步骤102、对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；
具体地，由于淋巴结分割模型输出为表示淋巴结区域的二值图像，因此，还需要对表示淋巴结区域的二值图像进行后处理，恢复到原始输入图像的格式，从而得到最终的淋巴结勾画结果。
目前对于一个患者的转移淋巴结靶区勾画，人工勾画平均需要1-2小时，而基于本发明实施例提供的淋巴结自动勾画方法，平均耗时在5分钟以内，极大地提高了医生的工作效率，并减轻医生的负担。
本发明实施例提供的淋巴结自动勾画方法，结合人体内部淋巴结转移概率不同的临床先验知识训练得到淋巴结分割模型，极大提高了基于深度学习的淋巴结分割模型的分割精度，能够快速、准确地对病人影像进行淋巴结的自动勾画，解决现有淋巴结勾画方法耗时长、勾画不准确、分割精度低的问题。
图2为本发明实施例提供的训练获得所述淋巴结分割模型的流程示意图，基于上述实施例的内容，训练获得所述淋巴结分割模型具体包括：
步骤200、构建卷积神经网络；
具体地，所述卷积神经网络包括但不限于：全卷积神经网络FCN、Unet或SegNet中的一种，或者，所述全卷积神经网络FCN、Unet或SegNet的变种中的一种。
步骤201、将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络，获得输出图像；
具体地，将所述经过预处理的病人影像样本作为所述卷积神经网络的第一通道输入，将基于先验知识的淋巴结转移概率信息作为所述卷积神经网络的第二通道输入，所述卷积神经网络会输出一张图像。
步骤202、基于所述输出图像和与所述病人影像样本对应的医生手工勾画的淋巴结数据，利用基于距离测量的边界损失函数，计算损失函数值；
具体地，与所述病人影像样本对应的医生手工勾画的淋巴结数据，又可以称为医生勾画的金标准。
构建损失函数对所述卷积神经网络进行训练，由于各淋巴结在尺寸、形态上差异巨大，且相对于背景区域，淋巴结所占体积非常小，这种数据不平衡导致一般的深度卷积神经网络很难收敛到最佳。为了克服这些问题，在分割网络中常用的损失函数dice相似度系数DSC(Dice similarity coefficient)的基础上，本发明实施例引入了基于距离测量的边界损失函数(loss_BD，Boundary loss)。
在一个实施例中，所述基于距离测量的边界损失函数具体为：
loss＝DSC+λ*loss_BD (1)
其中，DSC为dice相似度系数，loss_BD为边界损失，P为所述输出图像，G为与所述病人影像样本对应的医生手工勾画的淋巴结数据groundtruth，Ω为整个图像空间，dp、dg分别为P和G的距离变换图上的对应像素点，所述距离变换图通过计算图像上各像素点到目标轮廓的最短距离得到，λ为平衡区域损失和边界损失的权重。
图3a为本发明实施例提供的距离变换的原始图像I，图3a上有矩形、三角形、圆形等目标；图3b为本发明实施例提供的原始图像I对应的距离变换图T，图3b上各像素点的强度值为该点到目标轮廓的最短距离。loss_BD相当于计算距离变换图的均方误差，给神经网络施加了一个边界约束，使得神经网络不断朝目标边界优化。
平衡区域损失和边界损失的权重λ，可设置为上一次训练周期中DSC平均值与loss_BD平均值的比值。
步骤203、通过反向传播算法，从所述卷积神经网络的输出层开始自顶向下地调整所述卷积神经网络的各个参数，以使所述损失函数值朝最小化方向移动；
具体地，通过反向传播算法，从所述卷积神经网络的输出层开始自顶向下地调整所述卷积神经网络的各个参数，以使所述损失函数值loss朝最小化方向移动，使卷积神经网络的输出与医生勾画的金标越来越接近。
步骤204、判断是否达到训练结束条件，若是，则保存当前迭代所述卷积神经网络的参数，获得训练好的淋巴结分割模型。
值得说明的是，将所述经过预处理的病人影像样本以及与所述病人影像样本对应的与所述病人影像样本对应的医生手工勾画的淋巴结数据，按照一定比例随机分为训练集和验证集两部分，训练过程中可以通过验证集评估模型的学习能力及模型收敛的情况，若达到了训练结束条件，则保存当前迭代所述卷积神经网络的参数，获得训练好的淋巴结分割模型，在最后可以通过验证集确定性能最佳的模型。
现有的基于深度学习的淋巴结自动勾画方法均为单通道输入、使用基于分割区域的损失函数。本发明实施例提供的淋巴结自动勾画方法，一方面基于人体内部淋巴结转移概率不同的临床先验知识，增加淋巴结转移概率信息作为第二通道输入，为网络提供引导、使其收敛得更快更好，淋巴结勾画更为准确，另一方面，结合基于距离测量的边界损失函数训练得到淋巴结分割模型，相比基于DSC损失函数进行训练的神经网络，能够克服由淋巴结尺寸变化大引起的训练不稳定，使网络收敛到更佳，且淋巴结勾画轮廓线更准确，极大提高了淋巴结分割模型的分割精度，能够快速、准确地对病人影像进行淋巴结的自动勾画，可有效解决现有淋巴结勾画方法耗时长、勾画不准确、分割精度低的问题。
基于上述各实施例的内容，对所述病人影像进行预处理，获得感兴趣区域图像，具体包括：
截取所述病人影像的指定层面，获得待处理图像；
通过投影算法得到所述待处理图像的投影曲线，并对所述投影曲线进行平滑处理；
根据人体轮廓特征对经过平滑处理的所述投影曲线进行淋巴结分割的感兴趣区域提取，并根据所述淋巴结分割模型的输入尺寸对提取结果进行归一化处理，得到感兴趣区域图像。
具体地，截取所述病人影像的指定层面，获得待处理图像，以三维CT图像为例，根据感兴趣区域ROI起始点z0分别沿着z轴正负向截取三维CT图像冠状面的指定层面，得到待处理图像。
通过投影算法得到病人影像的投影曲线，并对所述投影曲线进行平滑处理，根据人体轮廓特征对经过平滑处理的所述投影曲线进行淋巴结分割的感兴趣区域ROI提取，并对ROI进行归一化处理，得到感兴趣区域图像，使得感兴趣区域图像符合所述淋巴结分割模型的输入尺寸。进一步地，还可以对归一化处理后的ROI进行有效的数据增广，例如，平移变换、旋转变换、镜像变换、加高斯噪声或弹性变换等，从而获得更有效的感兴趣区域图像。
基于上述各实施例的内容，对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果，具体包括：
将所述表示淋巴结区域的二值图像恢复到归一化处理之前的格式；
根据所述病人影像以及感兴趣区域图像的坐标，将已恢复到归一化处理之前的格式的图像恢复到所述病人影像的格式，获得表示淋巴结区域分割结果的二值图；
对所述表示淋巴结区域分割结果的二值图进行轮廓提取，获得淋巴结勾画轮廓线。
具体地，将所述表示淋巴结区域的二值图像I_pred恢复到归一化处理之前的格式，得到已恢复到归一化处理之前的格式的图像pred_temp；
然后，根据所述病人影像以及感兴趣区域图像的坐标，将已恢复到归一化处理之前的格式的图像pred_temp恢复到所述病人影像的格式，获得表示淋巴结区域分割结果的二值图I_seg；
最后，对表示淋巴结区域分割结果的二值图I_seg进行轮廓提取，从而得到最终的的分割结果。
基于上述各实施例的内容，将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络之前，还包括：
获取病人影像样本，对所述病人影像样本进行预处理，并获取基于先验知识的淋巴结转移概率信息，获取与所述病人影像样本对应的医生手工勾画的淋巴结数据。
具体地，在进行模型训练之前，需要构建样本集。具体通过获取病人影像样本，对所述病人影像样本进行如上述实施例中所述的预处理，并获取基于先验知识的淋巴结转移概率信息，获取与所述病人影像样本对应的医生手工勾画的淋巴结数据。
图4为本发明实施例提供的淋巴结自动勾画装置的结构示意图，包括：预处理模块410、淋巴结分割模块420和后处理模块430，其中，
预处理模块410，用于获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；
具体地，具体地，病人影像可以是各种模态的图像，比如：CT(ComputedTomography)、MR(magnetic resonance)或PET(Positron Emission Tomography)等。
预处理模块410对所获取的待勾画淋巴结的病人影像进行预处理，预处理包括：检测感兴趣区域ROI(region of interest)，进行数据归一化等操作，其中，检测感兴趣区域ROI的目的是对待勾画淋巴结的病人影像进行定位、明确要处理的区域，进行数据归一化是为了获得符合淋巴结分割模型输入尺寸的图像，在本发明实施例中，将经过预处理的待勾画淋巴结的病人影像称为感兴趣区域图像。
淋巴结分割模块420，用于将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；
具体地，本发明实施例基于卷积神经网络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淋巴结数据和淋巴结转移概率信息进行训练，从而得到稳定的淋巴结分割模型，对感兴趣区域图像进行淋巴结的自动勾画。淋巴结分割模块420通过将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像。
由于病人影像本身对比度低、淋巴结与周围组织边界模糊，导致仅利用病人影像信息的分割算法很难达到满意的分割效果。在本发明实施例中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
所述淋巴结分割模型采用的是卷积神经网络。基于先验知识的淋巴结转移概率信息是指各个淋巴结分区的受侵犯概率，是经过大量的临床研究总结出来的淋巴结侵犯规律。在训练卷积神经网络得到淋巴结分割模型时，将基于先验知识的淋巴结转移概率信息作为第二通道输入的目的就是为了给予卷积神经网络各个分区出现淋巴结的概率大小，相当于增加了基于临床知识的先验信息，让卷积神经网络更关注于淋巴结所在区域，从而提高淋巴结分割精度。
淋巴结分割模型的输出为表示淋巴结区域的二值图像。
后处理模块430，用于对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；
具体地，由于淋巴结分割模型输出为表示淋巴结区域的二值图像，因此，还需要后处理模块430对表示淋巴结区域的二值图像进行后处理，恢复到原始输入图像的格式，从而得到最终的淋巴结勾画结果。
本发明实施例提供的淋巴结自动勾画装置，结合人体内部淋巴结转移概率不同的临床先验知识训练得到淋巴结分割模型，极大提高了基于深度学习的淋巴结分割模型的分割精度，能够快速、准确地对病人影像进行淋巴结的自动勾画，解决现有淋巴结勾画方法耗时长、勾画不准确、分割精度低的问题。
图5为本发明实施例提供的电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储在存储器530上并可在处理器510上运行的计算机程序，以执行上述各方法实施例所提供的淋巴结自动勾画方法，例如包括：获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；其中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
此外，上述的存储器530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上述各方法实施例提供的淋巴结自动勾画方法，例如包括：获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；其中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
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)
1.一种淋巴结自动勾画方法，其特征在于，包括：
获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；
将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；
对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；
其中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
2.根据权利要求1所述的淋巴结自动勾画方法，其特征在于，训练获得所述淋巴结分割模型的步骤，具体包括：
构建卷积神经网络；
将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络，获得输出图像；
基于所述输出图像和与所述病人影像样本对应的医生手工勾画的淋巴结数据，利用基于距离测量的边界损失函数，计算损失函数值；
通过反向传播算法，从所述卷积神经网络的输出层开始自顶向下地调整所述卷积神经网络的各个参数，以使所述损失函数值朝最小化方向移动；
判断是否达到训练结束条件，若是，则保存当前迭代所述卷积神经网络的参数，获得训练好的淋巴结分割模型。
3.根据权利要求2所述的淋巴结自动勾画方法，其特征在于，所述基于距离测量的边界损失函数具体为：
loss＝DSC+λ*loss_BD (1)
其中，DSC为dice相似度系数，loss_BD为边界损失，P为所述输出图像，G为与所述病人影像样本对应的医生手工勾画的淋巴结数据groundtruth，Ω为整个图像空间，dp、dg分别为P和G的距离变换图上的对应像素点，所述距离变换图通过计算图像上各像素点到目标轮廓的最短距离得到，λ为平衡区域损失和边界损失的权重。
4.根据权利要求1所述的淋巴结自动勾画方法，其特征在于，对所述病人影像进行预处理，获得感兴趣区域图像，具体包括：
截取所述病人影像的指定层面，获得待处理图像；
通过投影算法得到所述待处理图像的投影曲线，并对所述投影曲线进行平滑处理；
根据人体轮廓特征对经过平滑处理的所述投影曲线进行淋巴结分割的感兴趣区域提取，并根据所述淋巴结分割模型的输入尺寸对提取结果进行归一化处理，得到感兴趣区域图像。
5.根据权利要求4所述的淋巴结自动勾画方法，其特征在于，对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果，具体包括：
将所述表示淋巴结区域的二值图像恢复到归一化处理之前的格式；
根据所述病人影像以及感兴趣区域图像的坐标，将已恢复到归一化处理之前的格式的图像恢复到所述病人影像的格式，获得表示淋巴结区域分割结果的二值图；
对所述表示淋巴结区域分割结果的二值图进行轮廓提取，获得淋巴结勾画轮廓线。
6.根据权利要求2所述的淋巴结自动勾画方法，其特征在于，所述卷积神经网络包括：全卷积神经网络FCN、Unet或SegNet中的一种，或者，所述全卷积神经网络FCN、Unet或SegNet的变种中的一种。
7.根据权利要求2所述的淋巴结自动勾画方法，其特征在于，将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络之前，将所述经过预处理的病人影像样本和基于先验知识的淋巴结转移概率信息同时输入至所述卷积神经网络之前，还包括：
获取病人影像样本，对所述病人影像样本进行预处理，并获取基于先验知识的淋巴结转移概率信息，获取与所述病人影像样本对应的医生手工勾画的淋巴结数据。
8.一种淋巴结自动勾画装置，其特征在于，包括：
预处理模块，用于获取待勾画淋巴结的病人影像，对所述病人影像进行预处理，获得感兴趣区域图像；
淋巴结分割模块，用于将所述感兴趣区域图像输入至预先训练好的淋巴结分割模型中，获得表示淋巴结区域的二值图像；
后处理模块，用于对所述表示淋巴结区域的二值图像进行后处理，获得淋巴结勾画结果；
其中，所述淋巴结分割模型为以经过预处理的病人影像样本作为第一通道输入，以基于先验知识的淋巴结转移概率信息作为第二通道输入，以与所述病人影像样本对应的医生手工勾画的淋巴结数据为样本标签进行训练得到。
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任一项所述淋巴结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任一项所述淋巴结自动勾画方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911314752.4A CN111105424A (zh) | 2019-12-19 | 2019-12-19 | 淋巴结自动勾画方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911314752.4A CN111105424A (zh) | 2019-12-19 | 2019-12-19 | 淋巴结自动勾画方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111105424A true CN111105424A (zh) | 2020-05-05 |
Family
ID=70422355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911314752.4A Pending CN111105424A (zh) | 2019-12-19 | 2019-12-19 | 淋巴结自动勾画方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105424A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784705A (zh) * | 2020-06-24 | 2020-10-16 | 上海联影医疗科技有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
| CN111862022A (zh) * | 2020-07-13 | 2020-10-30 | 中山大学 | 全身多部位放射治疗危及器官自动勾画方法 |
| CN111862021A (zh) * | 2020-07-13 | 2020-10-30 | 中山大学 | 基于深度学习的头颈部淋巴结及引流区自动勾画方法 |
| CN111899273A (zh) * | 2020-06-10 | 2020-11-06 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和存储介质 |
| CN111986213A (zh) * | 2020-08-21 | 2020-11-24 | 四川大学华西医院 | 一种切片图像的处理方法、训练方法、装置及存储介质 |
| CN112132841A (zh) * | 2020-09-22 | 2020-12-25 | 上海交通大学 | 医疗图像切割方法及装置 |
| CN112184632A (zh) * | 2020-09-08 | 2021-01-05 | 上海交通大学附属第六人民医院 | 一种图像处理方法、设备和计算机存储介质 |
| CN112651935A (zh) * | 2020-12-23 | 2021-04-13 | 苏州普瑞斯仁信息科技有限公司 | 一种肿瘤淋巴结自动分期系统 |
| CN113012144A (zh) * | 2021-04-08 | 2021-06-22 | 湘南学院附属医院 | 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质 |
| CN113077445A (zh) * | 2021-04-01 | 2021-07-06 | 中科院成都信息技术股份有限公司 | 数据处理方法及装置、电子设备、可读存储介质 |
| CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 |
| CN113570625A (zh) * | 2021-08-27 | 2021-10-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
| WO2022061840A1 (en) * | 2020-09-27 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating radiation therapy plan |
| 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 |
| CN114445421A (zh) * | 2021-12-31 | 2022-05-06 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种鼻咽癌淋巴结区域的识别分割方法、装置及系统 |
| CN115049683A (zh) * | 2022-07-12 | 2022-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗影像靶区的勾画方法和装置、处理器及电子设备 |
| CN115082503A (zh) * | 2022-07-02 | 2022-09-20 | 哈尔滨理工大学 | 一种胃部病理图像的分割方法及装置 |
| CN117011245A (zh) * | 2023-07-11 | 2023-11-07 | 北京医智影科技有限公司 | 融合mr信息指导ct的直肠癌肿瘤区自动勾画方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080075345A1 (en) * | 2006-09-20 | 2008-03-27 | Siemens Corporation Research, Inc. | Method and System For Lymph Node Segmentation In Computed Tomography Images |
| CN109410187A (zh) * | 2017-10-13 | 2019-03-01 | 北京昆仑医云科技有限公司 | 用于在全片图像中检测癌症转移的系统、方法和介质 |
| CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
| CN110120051A (zh) * | 2019-05-10 | 2019-08-13 | 上海理工大学 | 一种基于深度学习的右心室自动分割方法 |
| CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
| 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 |
-
2019
- 2019-12-19 CN CN201911314752.4A patent/CN111105424A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080075345A1 (en) * | 2006-09-20 | 2008-03-27 | Siemens Corporation Research, Inc. | Method and System For Lymph Node Segmentation In Computed Tomography Images |
| CN109410187A (zh) * | 2017-10-13 | 2019-03-01 | 北京昆仑医云科技有限公司 | 用于在全片图像中检测癌症转移的系统、方法和介质 |
| 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 |
| CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
| CN110120051A (zh) * | 2019-05-10 | 2019-08-13 | 上海理工大学 | 一种基于深度学习的右心室自动分割方法 |
| CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
Non-Patent Citations (3)
| Title |
|---|
| MINGJIE XU 等: "Segmentation of lung parenchyma in CT images using CNN trained with the clustering algorithm generated dataset", 《BIOMED ENG ONLINE》 * |
| WEI JUN 等: "Semi-automatic detection and segmentation of neck lymph nodes in CT image", 《COMPUTER ENGINEERING AND DESIGN》 * |
| 张璐: "基于深度学习的淋巴结自动分割算法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899273A (zh) * | 2020-06-10 | 2020-11-06 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和存储介质 |
| CN111784705A (zh) * | 2020-06-24 | 2020-10-16 | 上海联影医疗科技有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
| CN111784705B (zh) * | 2020-06-24 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
| CN111862022A (zh) * | 2020-07-13 | 2020-10-30 | 中山大学 | 全身多部位放射治疗危及器官自动勾画方法 |
| CN111862021A (zh) * | 2020-07-13 | 2020-10-30 | 中山大学 | 基于深度学习的头颈部淋巴结及引流区自动勾画方法 |
| CN111862021B (zh) * | 2020-07-13 | 2022-06-24 | 广州柏视医疗科技有限公司 | 基于深度学习的头颈部淋巴结及引流区自动勾画方法 |
| CN111986213A (zh) * | 2020-08-21 | 2020-11-24 | 四川大学华西医院 | 一种切片图像的处理方法、训练方法、装置及存储介质 |
| CN111986213B (zh) * | 2020-08-21 | 2022-12-23 | 四川大学华西医院 | 一种切片图像的处理方法、训练方法、装置及存储介质 |
| CN112184632B (zh) * | 2020-09-08 | 2024-04-16 | 上海交通大学附属第六人民医院 | 一种图像处理方法、设备和计算机存储介质 |
| CN112184632A (zh) * | 2020-09-08 | 2021-01-05 | 上海交通大学附属第六人民医院 | 一种图像处理方法、设备和计算机存储介质 |
| CN112132841A (zh) * | 2020-09-22 | 2020-12-25 | 上海交通大学 | 医疗图像切割方法及装置 |
| CN112132841B (zh) * | 2020-09-22 | 2024-04-09 | 上海交通大学 | 医疗图像切割方法及装置 |
| WO2022061840A1 (en) * | 2020-09-27 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating radiation therapy plan |
| CN112651935A (zh) * | 2020-12-23 | 2021-04-13 | 苏州普瑞斯仁信息科技有限公司 | 一种肿瘤淋巴结自动分期系统 |
| CN113077445A (zh) * | 2021-04-01 | 2021-07-06 | 中科院成都信息技术股份有限公司 | 数据处理方法及装置、电子设备、可读存储介质 |
| CN113012144A (zh) * | 2021-04-08 | 2021-06-22 | 湘南学院附属医院 | 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质 |
| CN113488146B (zh) * | 2021-07-29 | 2022-04-01 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 |
| CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 |
| CN113570625A (zh) * | 2021-08-27 | 2021-10-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
| CN113570625B (zh) * | 2021-08-27 | 2024-09-06 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
| CN114445421B (zh) * | 2021-12-31 | 2023-09-29 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种鼻咽癌淋巴结区域的识别分割方法、装置及系统 |
| CN114445421A (zh) * | 2021-12-31 | 2022-05-06 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种鼻咽癌淋巴结区域的识别分割方法、装置及系统 |
| 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 |
| 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 |
| CN115082503A (zh) * | 2022-07-02 | 2022-09-20 | 哈尔滨理工大学 | 一种胃部病理图像的分割方法及装置 |
| CN115049683A (zh) * | 2022-07-12 | 2022-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗影像靶区的勾画方法和装置、处理器及电子设备 |
| CN115049683B (zh) * | 2022-07-12 | 2024-06-14 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗影像靶区的勾画方法和装置、处理器及电子设备 |
| CN117011245A (zh) * | 2023-07-11 | 2023-11-07 | 北京医智影科技有限公司 | 融合mr信息指导ct的直肠癌肿瘤区自动勾画方法及装置 |
| CN117011245B (zh) * | 2023-07-11 | 2024-03-26 | 北京医智影科技有限公司 | 融合mr信息指导ct的直肠癌肿瘤区自动勾画方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
| US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| US11508059B2 (en) | Methods and systems for detecting a centerline of a vessel | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
| CN113516659B (zh) | 一种基于深度学习的医学影像自动分割方法 | |
| US20040022438A1 (en) | Method and apparatus for image segmentation using Jensen-Shannon divergence and Jensen-Renyi divergence | |
| Vivanti et al. | Patient-specific and global convolutional neural networks for robust automatic liver tumor delineation in follow-up CT studies | |
| CN107403201A (zh) | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 | |
| Mukherjee et al. | Lung nodule segmentation using deep learned prior based graph cut | |
| JP6626344B2 (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
| JP2019531783A (ja) | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 | |
| JP2019526863A (ja) | ニューラルネットワーク法を用いた画像セグメンテーション | |
| CN106485695A (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
| US20160140751A1 (en) | Automated 3D Reconstruction of the Cardiac Chambers from MRI and Ultrasound | |
| CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
| CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
| CN113706486B (zh) | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| WO2017062453A1 (en) | Image segmentation of organs depicted in computed tomography images | |
| EP3608872B1 (en) | Image segmentation method and system | |
| CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
| CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 |
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: 20200505 |