CN111127482A - 基于深度学习的ct影像肺气管的分割方法及系统 - Google Patents

基于深度学习的ct影像肺气管的分割方法及系统 Download PDF

Info

Publication number
CN111127482A
CN111127482A CN201911329842.0A CN201911329842A CN111127482A CN 111127482 A CN111127482 A CN 111127482A CN 201911329842 A CN201911329842 A CN 201911329842A CN 111127482 A CN111127482 A CN 111127482A
Authority
CN
China
Prior art keywords
image
lung
dimensional
trachea
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
CN201911329842.0A
Other languages
English (en)
Other versions
CN111127482B (zh
Inventor
魏军
余明亮
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 CN201911329842.0A priority Critical patent/CN111127482B/zh
Publication of CN111127482A publication Critical patent/CN111127482A/zh
Application granted granted Critical
Publication of CN111127482B publication Critical patent/CN111127482B/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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种基于深度学习的CT影像肺气管的分割方法及系统，其同时运用2D UNet和3D Unet深度学习网络模型，并包括以下步骤：步骤S1，预处理；步骤S2，二维重采样；步骤S3，二维分割；步骤S4，三维采样；步骤S5，三维分割；步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。该基于深度学习的CT影像肺气管的分割方法及系统同时运用2D UNet和3D Unet网络，使得气管分割结果更优，分割方法更加鲁棒。而且在3D UNet网络训练过程中，以气管骨架点采样的方法能够提高网络的训练效率和精度。

Description

基于深度学习的CT影像肺气管的分割方法及系统
技术领域
本发明涉及医学影像处理技术领域，尤其涉及一种基于深度学习的CT影像肺气管的分割方法及系统。
背景技术
肺癌是对人类生命和健康威胁最大的肿瘤早期发现对于患者的生存和康复至关重要。临床上，肺结节检测是肺癌筛查的第一步。通过对CT影像中肺部气管和血管的检测和分割，对肺癌的早期筛查和评估具有重要意义。由于身体组织器官的复杂型和个体差异，再加上不同成像设备之间的差异性使得医学成像结果非常复杂，造成了传统医学图像分割方法分割结果不准确的问题。
在医学图像分割领域中的肺气管分割领域中，肺气管成像有对比度低，细小血管和气管结构复杂，肺部图像噪声较多，使得准确的肺气管分割具有一定的难度，在过去一些时间内，大多通过人工方式分割，不仅效率低，而且准确度因人而异，难以得到保证。
近几年来人工智能技术，尤其是深度学习方法，发展十分迅速，在医学图像分割领域也有十分广泛的应用，但是就目前公开的方法而言，在肺气管分割的准确上仍旧需要进一步提升。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
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基于深度学习的CT影像肺气管的分割方法及系统。
第一方面，本发明实施例提供一种基于深度学习的CT影像肺气管的分割方法，其同时运用2D UNet和3D Unet深度学习网络模型，并包括以下步骤：
步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
步骤S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
步骤S4，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块；
步骤S5，三维分割：根据步骤S4得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块的分割结果组合起来得到整体的肺气管三维分割结果；
步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
进一步地，步骤S3中，2D UNet的训练的方式为：提取肺部感兴趣的区域，并将横切面图像重采样使得横切面图像尺寸为352×352；将横切面切片上下相邻的9张切片图像堆叠为一张9通道的2维图像，并将位于中间第5张切片图像对应的气管金标作为该图像的金标，输入网络进行训练。
进一步地，步骤S5中，3D UNet的训练方式为：提取肺部感兴趣的区域，按照标注好的肺气管提取其骨架点；对于每一个CT影像，以其气管骨架点为基点，从中随机选取600个80×80×64的局部片块图像，并在提取的肺部感兴趣的区域随机选取其他200个80×80×64的局部片块图像，输入网络进行训练。
进一步地，步骤S3的2D UNet和步骤S5的3D UNet的训练中的数据增广方式有：水平翻转、垂直翻转、随机旋转、随机高斯噪声和随机Gamma变换。
进一步地，步骤S3的训练网络所需要的横切面图像的数量级为50K；所述步骤S5的训练网络所需要的局部片块图像的数量级为100K。
进一步地，2D UNet和3D Unet深度学习网络模型均包括：
编码器：对输入图像通过卷积网络和下采样进行高层次抽象特征的提取，把图像编码为尺寸只有原图1/16的特征图；
解码器：把编码器输出的特征图通过卷积网络和上采样解码，输出与原尺寸相同的图像；
跳跃连接：将编码器中较浅层的高分辨率特征与解码器中较高层的低分辨率特征直接相连。
第二方面，本发明实施例提供一种基于深度学习的CT影像肺气管的分割系统，包括：
预处理模块，用于将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
二维重采样模块，用于根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
二维分割模块，用于沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
三维采样模块，用于根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块；
三维分割模块，用于根据三维采样模块得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块的分割结果组合起来得到整体的肺气管三维分割结果；
融合模块，用于对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
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基于深度学习的CT影像肺气管的分割方法的步骤。
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基于深度学习的CT影像肺气管的分割方法的步骤。
本发明实施例提供的一种基于深度学习的CT影像肺气管的分割方法及系统同时运用2D UNet和3D Unet网络，使得气管分割结果更优，分割方法更加鲁棒。而且在3D UNet网络训练过程中，以气管骨架点采样的方法能够提高网络的训练效率和精度。
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基于深度学习的CT影像肺气管的分割流程示意图；
图2为本发明实施例提供的方法中深度学习网络模型UNet分割网络结构示意图；
图3本发明实施例提供的基于深度学习的CT影像肺气管的分割系统的原理图；
图4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。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1为本发明实施例提供的一种基于深度学习的CT影像肺气管的分割方法流程图，如图1所示，该方法使用的深度学习网络模型为UNet，并同时运用2D UNet和3D Unet网络(2D UNet和3D UNet使用相同的网络结构，但输入图像尺寸和通道以及输出结果的通道因分割任务不同而各有变化)，包括以下步骤：
步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域ROI(Region of interest)，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
步骤S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为(位于中间)第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
步骤S4，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块(Patch)；
步骤S5，三维分割：根据步骤S4得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块(Patch)的分割结果组合起来得到整体的肺气管三维分割结果；
步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
本发明实施例的步骤S3中，2D UNet的训练的方式为：提取肺部感兴趣的区域，并将横切面图像重采样使得横切面图像尺寸为352×352；将横切面切片上下相邻的9张切片图像堆叠为一张9通道的2维图像，并将位于中间第5张切片图像对应的气管金标作为该图像的金标，输入网络进行训练。训练中使用的图像增广方式有：水平翻转、垂直翻转、随机旋转、随机高斯噪声和随机Gamma变换。训练网络所需要的横切面图像的数量级为50K。
本发明实施例的步骤S5中，3D UNet的训练方式为：提取肺部感兴趣的区域，按照标注好的肺气管提取其骨架点；对于每一个CT影像，以其气管骨架点为基点，从中随机选取600个80×80×64的局部片块(Patch)图像，并在提取的肺部感兴趣的区域随机选取其他200个80×80×64的局部片块(Patch)图像，输入网络进行训练；训练中的数据增广方式有：水平翻转、垂直翻转、随机旋转、随机高斯噪声和随机Gamma变换。训练网络所需要的局部Patch图像的数量级为100K。
如图2所示，本发明实施例的2D UNet和3D Unet深度学习网络模型均包括：
编码器(encoder)：对输入图像通过卷积网络和下采样进行高层次抽象特征的提取，把图像编码为尺寸只有原图1/16的特征图(feature map)。
解码器(decoder)：把编码器输出的特征图通过卷积网络和上采样解码，输出与原尺寸相同的图像，其像素值表示该像素属于目标分割区域的概率。
跳跃连接(skip connection)：将编码器中较浅层的高分辨率特征与解码器中较高层的低分辨率特征直接相连，解决高层特征中细节(高分辨率)信息丢失的问题。
基于上述任一实施例，图3为本发明实施例提供的一种基于深度学习的CT影像肺气管的分割系统的原理图，该系统包括：
预处理模块，用于将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域ROI(Region of interest)，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
二维重采样模块，用于根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
二维分割模块，用于沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为(位于中间)第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
三维采样模块，用于根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块(Patch)；
三维分割模块，用于根据三维采样模块得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块(Patch)的分割结果组合起来得到整体的肺气管三维分割结果；
融合模块，用于对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
综上所述，本发明实施例提供的基于深度学习的CT影像肺气管的分割方法及系统同时运用2D UNet和3D Unet网络，使得气管分割结果更优，分割方法更加鲁棒。而且在3DUNet网络训练过程中，以气管骨架点采样的方法能够提高网络的训练效率和精度。
图4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4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：
步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域ROI(Region of interest)，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
步骤S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为(位于中间)第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
步骤S4，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块(Patch)；
步骤S5，三维分割：根据步骤S4得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块(Patch)的分割结果组合起来得到整体的肺气管三维分割结果；
步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
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：
步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域ROI(Region of interest)，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
步骤S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为(位于中间)第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
步骤S4，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块(Patch)；
步骤S5，三维分割：根据步骤S4得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块(Patch)的分割结果组合起来得到整体的肺气管三维分割结果；
步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
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 (9)

1.一种基于深度学习的CT影像肺气管的分割方法，其特征在于，其同时运用2D UNet和3D Unet深度学习网络模型，并包括以下步骤：
步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
步骤S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
步骤S4，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块；
步骤S5，三维分割：根据步骤S4得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块的分割结果组合起来得到整体的肺气管三维分割结果；
步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
2.根据权利要求1所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述步骤S3中，2D UNet的训练的方式为：提取肺部感兴趣的区域，并将横切面图像重采样使得横切面图像尺寸为352×352；将横切面切片上下相邻的9张切片图像堆叠为一张9通道的2维图像，并将位于中间第5张切片图像对应的气管金标作为该图像的金标，输入网络进行训练。
3.根据权利要求2所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述步骤S5中，3D UNet的训练方式为：提取肺部感兴趣的区域，按照标注好的肺气管提取其骨架点；对于每一个CT影像，以其气管骨架点为基点，从中随机选取600个80×80×64的局部片块图像，并在提取的肺部感兴趣的区域随机选取其他200个80×80×64的局部片块图像，输入网络进行训练。
4.根据权利要求3所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述步骤S3的2D UNet和步骤S5的3D UNet的训练中的数据增广方式有：水平翻转、垂直翻转、随机旋转、随机高斯噪声和随机Gamma变换。
5.根据权利要求4所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述步骤S3的训练网络所需要的横切面图像的数量级为50K；所述步骤S5的训练网络所需要的局部片块图像的数量级为100K。
6.根据权利要求1所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述2D UNet和3D Unet深度学习网络模型均包括：
编码器：对输入图像通过卷积网络和下采样进行高层次抽象特征的提取，把图像编码为尺寸只有原图1/16的特征图；
解码器：把编码器输出的特征图通过卷积网络和上采样解码，输出与原尺寸相同的图像；
跳跃连接：将编码器中较浅层的高分辨率特征与解码器中较高层的低分辨率特征直接相连。
7.一种基于深度学习的CT影像肺气管的分割系统，其特征在于，包括：
预处理模块，用于将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
二维重采样模块，用于根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
二维分割模块，用于沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
三维采样模块，用于根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的片块；
三维分割模块，用于根据三维采样模块得到的一系列图像输入到3D UNet网络中，得到局部的肺气管分割结果，将所有局部片块的分割结果组合起来得到整体的肺气管三维分割结果；
融合模块，用于对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
8.一种电子设备，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6任一项所述的基于深度学习的CT影像肺气管的分割方法的步骤。
9.一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6任一项所述的基于深度学习的CT影像肺气管的分割方法的步骤。
CN201911329842.0A 2019-12-20 2019-12-20 基于深度学习的ct影像肺气管的分割方法及系统 Active CN111127482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911329842.0A CN111127482B (zh) 2019-12-20 2019-12-20 基于深度学习的ct影像肺气管的分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911329842.0A CN111127482B (zh) 2019-12-20 2019-12-20 基于深度学习的ct影像肺气管的分割方法及系统

Publications (2)

Publication Number Publication Date
CN111127482A true CN111127482A (zh) 2020-05-08
CN111127482B CN111127482B (zh) 2023-06-30

Family

ID=70501055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911329842.0A Active CN111127482B (zh) 2019-12-20 2019-12-20 基于深度学习的ct影像肺气管的分割方法及系统

Country Status (1)

Country Link
CN (1) CN111127482B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882535A (zh) * 2020-07-21 2020-11-03 中国计量大学 基于改进Unet网络的电阻焊接剪切强度识别方法
CN111915556A (zh) * 2020-06-22 2020-11-10 杭州深睿博联科技有限公司 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质
CN112150442A (zh) * 2020-09-25 2020-12-29 帝工(杭州)科技产业有限公司 基于深度卷积神经网络及多实例学习的新冠诊断系统
CN112164074A (zh) * 2020-09-22 2021-01-01 江南大学 一种基于深度学习的3d ct床快速分割方法
CN113379735A (zh) * 2021-07-09 2021-09-10 中山大学 一种ct结肠影像内容物的标注方法及系统
CN113486716A (zh) * 2021-06-04 2021-10-08 电子科技大学长三角研究院(衢州) 机场场面目标分割方法及其系统
CN113516669A (zh) * 2021-06-23 2021-10-19 湖北英库科技有限公司 一种基于ct影像的气管提取方法、装置、设备及存储介质
CN113610785A (zh) * 2021-07-26 2021-11-05 安徽理工大学 基于智能影像的尘肺预警方法、装置及存储介质
CN113657558A (zh) * 2021-10-18 2021-11-16 广东航宇卫星科技有限公司 一种针对骶髂关节ct图像的分类评级方法及装置
CN113706541A (zh) * 2020-05-20 2021-11-26 青岛海信医疗设备股份有限公司 一种图像处理方法及装置
CN114693671A (zh) * 2022-04-25 2022-07-01 香港中文大学（深圳） 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN117392053A (zh) * 2023-08-28 2024-01-12 上海贝特威自动化科技有限公司 一种基于BiSeNetV2双边分割网络的汽车涂胶视觉检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447052A (zh) * 2018-03-15 2018-08-24 深圳市唯特视科技有限公司 一种基于神经网络的对称性脑肿瘤分割方法
CN108537793A (zh) * 2018-04-17 2018-09-14 电子科技大学 一种基于改进的u-net网络的肺结节检测方法
WO2018205922A1 (en) * 2017-05-08 2018-11-15 Suzhou Complexis Medical Inc. Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning
CN109658419A (zh) * 2018-11-15 2019-04-19 浙江大学 一种医学图像中小器官的分割方法
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205922A1 (en) * 2017-05-08 2018-11-15 Suzhou Complexis Medical Inc. Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning
CN108447052A (zh) * 2018-03-15 2018-08-24 深圳市唯特视科技有限公司 一种基于神经网络的对称性脑肿瘤分割方法
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning
CN108537793A (zh) * 2018-04-17 2018-09-14 电子科技大学 一种基于改进的u-net网络的肺结节检测方法
CN109658419A (zh) * 2018-11-15 2019-04-19 浙江大学 一种医学图像中小器官的分割方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706541B (zh) * 2020-05-20 2024-04-19 青岛海信医疗设备股份有限公司 一种图像处理方法及装置
CN113706541A (zh) * 2020-05-20 2021-11-26 青岛海信医疗设备股份有限公司 一种图像处理方法及装置
CN111915556A (zh) * 2020-06-22 2020-11-10 杭州深睿博联科技有限公司 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质
CN111915556B (zh) * 2020-06-22 2024-05-14 杭州深睿博联科技有限公司 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质
CN111882535B (zh) * 2020-07-21 2023-06-27 中国计量大学 基于改进Unet网络的电阻焊接剪切强度识别方法
CN111882535A (zh) * 2020-07-21 2020-11-03 中国计量大学 基于改进Unet网络的电阻焊接剪切强度识别方法
CN112164074A (zh) * 2020-09-22 2021-01-01 江南大学 一种基于深度学习的3d ct床快速分割方法
CN112150442A (zh) * 2020-09-25 2020-12-29 帝工(杭州)科技产业有限公司 基于深度卷积神经网络及多实例学习的新冠诊断系统
CN113486716A (zh) * 2021-06-04 2021-10-08 电子科技大学长三角研究院(衢州) 机场场面目标分割方法及其系统
CN113516669A (zh) * 2021-06-23 2021-10-19 湖北英库科技有限公司 一种基于ct影像的气管提取方法、装置、设备及存储介质
CN113379735A (zh) * 2021-07-09 2021-09-10 中山大学 一种ct结肠影像内容物的标注方法及系统
CN113610785A (zh) * 2021-07-26 2021-11-05 安徽理工大学 基于智能影像的尘肺预警方法、装置及存储介质
CN113657558A (zh) * 2021-10-18 2021-11-16 广东航宇卫星科技有限公司 一种针对骶髂关节ct图像的分类评级方法及装置
CN114693671B (zh) * 2022-04-25 2022-11-29 香港中文大学（深圳） 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN114693671A (zh) * 2022-04-25 2022-07-01 香港中文大学（深圳） 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN117392053A (zh) * 2023-08-28 2024-01-12 上海贝特威自动化科技有限公司 一种基于BiSeNetV2双边分割网络的汽车涂胶视觉检测方法

Also Published As

Publication number Publication date
CN111127482B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN111127482B (zh) 基于深度学习的ct影像肺气管的分割方法及系统
CN111091573B (zh) 基于深度学习的ct影像肺血管的分割方法及系统
CN113674253B (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
CN109087703B (zh) 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法
CN111028242A (zh) 一种肿瘤自动分割系统、方法及电子设备
CN110363802B (zh) 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN114494296A (zh) 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与系统
CN111275712B (zh) 一种面向大尺度图像数据的残差语义网络训练方法
CN111429473A (zh) 基于多尺度特征融合的胸片肺野分割模型建立及分割方法
CN114092439A (zh) 一种多器官实例分割方法及系统
CN112734755A (zh) 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN116228792A (zh) 一种医学图像分割方法、系统及电子装置
CN113362331A (zh) 图像分割方法、装置、电子设备及计算机存储介质
CN112001928A (zh) 一种视网膜血管分割方法及系统
CN112884788B (zh) 基于丰富上下文网络的视杯视盘分割方法及成像方法
CN116188479B (zh) 基于深度学习的髋关节图像分割方法及系统
CN112927237A (zh) 基于改进SCB-Unet网络的蜂窝肺病灶分割方法
CN117078930A (zh) 基于边界感知和注意力机制的医学图像分割方法
Tran et al. Multi-task learning for medical image inpainting based on organ boundary awareness
CN115861181A (zh) 一种面向ct影像的肿瘤分割方法及其系统
Özcan et al. Fully automatic liver and tumor segmentation from CT image using an AIM-Unet
Zhao et al. Improving the accuracy of an R-CNN-based crack identification system using different preprocessing algorithms
CN112669293A (zh) 图像检测方法和检测模型的训练方法及相关装置、设备
CN113379691B (zh) 一种基于先验引导的乳腺病灶深度学习分割方法
Furtado Improving deep segmentation of abdominal organs MRI by post-processing

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