CN111160346A - 基于三维卷积的缺血性脑卒中分割系统 - Google Patents
基于三维卷积的缺血性脑卒中分割系统 Download PDFInfo
- Publication number
- CN111160346A CN111160346A CN201811316744.9A CN201811316744A CN111160346A CN 111160346 A CN111160346 A CN 111160346A CN 201811316744 A CN201811316744 A CN 201811316744A CN 111160346 A CN111160346 A CN 111160346A
- Authority
- CN
- China
- Prior art keywords
- samples
- network
- training
- sample
- convolution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明针对缺血性脑卒中分割难度大,缺血性脑卒中形态多样,样本之间差异性大,拥有三维信息,且传统基于散度测度等方法的精度不高的问题,提出一种基于3D卷积神经网络的系统,该系统包括:首先对训练样本进行数据增强,归一化处理,然后训练带有膨胀卷积的分割网络,再在网络结构上调整,直到得到的结构最优网络。提高分割精度。
Description
技术领域
本发明涉及图像处理,深度学习,尤其涉及一种基于多三位卷积的缺血性脑卒中分割系统。
背景技术
随着计算机技术的显著发展,针对医学病理图像进行自动分析的图像处理算法也应用得越来越广泛。脑血管病已经成为我国疾病致死的第一死亡原因。缺血性脑卒中主要通过磁共振影像学手段进行诊断。而确定不可逆转损伤的脑组织的位置和范围是急性卒中决策过程的关键部分。由于CT检测的速度,可用性和没有禁忌症,CT已被用于对卒中患者进行分类。但是基于CT图像的识别不可逆转的受损组织非常具有挑战性。并且许多商业软件努力使用CT方法检测。但是现在缺乏一种非常先进的数据分析技术,才能够帮助以重复和准确的方式去分割这些区域用于诊断,并最终用于临床医生进行决策过程。
现在该方向的研究者已经提出了很多方法,有基于灰度直方图散度测度的分割方法,基于ADC(表观弥散系数图像)和DWI(弥撒加权图像)灰度约束的脑缺血区域分割方法。但是这个些方法精度都较低,且泛化性不强的缺点,提出了一种基于三维卷积的编解码结构的网络,以随机连接的构建网络方式,得到多种网络,并训练得出最优的网络结构。在脑缺血性脑卒中分割中得到了比之前方法更优的结果。
本文主要依托深度学习的快速发展,借助硬件设备计算能力的巨大提升,针对缺血性脑卒中的难识别,个体的多样性,大小不一等问题,提出一种基于三维卷积的端到端的神经网络。
发明内容
本发明的目的针针对缺血性脑卒中的难识别,个体的多样性,大小不一,很难分割的问题,提出了一种基于三维卷积的,随机连接构建最优的网络,去分割缺血性脑卒中的系统。
为了实现上述目的,本发明采用的技术方案是:
本发明公开了一种基于三维卷积的缺血性脑卒中分割系统,具体的实现步骤如下:
(1)对样本库的缺血性脑卒中图片样本,进行预处理,得到训练样本和验证样本。
(2)利用(1)中得到的训练样本,依批次输入如图1的设计的神经网络,进行训练。采用以交叉熵为损失函数带动量的随机梯度下降法训练网络。得到训练好的网络。
(3)采用随机连接的方式构建(2)中网络,并再按照(2)中步骤训练,得到最优模型。
(4)对测试图片按照(1)中的预处理方法,得到处理后的测试图片。
(5)利用(3)中训练好的网络,预测(4)中处理后的预测图片,再对预测图片后处理,完成对测试图片的分割。
所述步骤(1)中的预处理步骤如下:
(11)对样本库中样本按照一定比例分为训练样本和验证样本,然后将训练样本和验证样本都进行数据增强,将每个样本进行翻转,随机下采样,形变,以及改变对比度,饱和度,光照,得到数据增强后的训练样本和验证样本,样本大小是100×100×100。
(12)对(11)中训练样本和验证样本图片对应的标签图片,使用(11)中一样的旋转,翻转,同样的下采样,形变,保证标签样本与训练样本或验证样本对应,得到数据增强后的标签样本,样本大小是100×100×100。
(13)用(11)中的数据增强后的训练样本和验证样本归一化,将(11)中大批训练样本减去样本本身的均值,实现归一化,得到可训练样本和验证样本。
所述步骤(2)中的构建网络和训练的步骤如下:
(21)首先构建一个如图(1)的3D分割网络。图像数据依次进入三个残差模块和下采样,提出去特征。再由一个残差模块整合特征,之后分别输入四个不同膨胀系数的膨胀卷积模块。其中膨胀系数分别是2,4,6,10。之后在一个残差模块特征融合之后。依次进入三个残差模块和上采样得到最终的分割概率图。整个网络输出一个维度是100×100×100×2概率特征图。
图(1)中的残差模块由两个如图(2)的卷积模块组成,图(2)中卷积模块是由一个卷积核是3×3的卷积层,加上指数线性单元(ELU),加上一个卷积核是1×1的卷积层,加上指数线性单元(ELU),再加上一个卷积核是3×3的卷积层,加上指数线性单元(ELU)和一个卷积核是1×1的卷积层,加上指数线性单元(ELU)的快捷连接的加和得到输出。
图(1)中的膨胀卷积模块是由一个卷积核是3×3的卷积层,加上一个指数线性单元。再连接一个卷积核是3×3,带有膨胀系数的卷积层,再加上一个一个指数线性单元,之后连接一个卷积核是1×1数的卷积层,再加上一个一个指数线性单元。
(22)使用(21)中构建的网络训练(13)中得到的训练样本。使用交叉熵损失函数作为目标函数,其中损失函数如下:
为了防止过拟合,在代价函数后再加上一个L2正则项,得到的代价函数如下:
得到训练结果,以(13)的验证样本的准确度为标准,得到最优的网络。
所述步骤(3)中的采用随机连接的方式构建网络并训练,得到最优模型的步骤如下:
(31)在(21)的构建的网络的基础上,按照图(1)的3D分割网络上所给出尝试性连接线,连接其中一条线。得到新的网络。按照(22)的相同的步骤训练网络,得到的结果和(22)的网络结果进行对比,以验证集的准确度为标准,选出最优的网络。
(32)在(31)中得到当前最优的模型上连接与之前未尝试的连接线。训练之后当前最优的模型对比。根据验证集的准确度为标准,选出最优的网络。之后重复(32)步骤知道所有尝试性连接线都尝试。最终得到最优的模型。
所述步骤(4)中的对测试样本的预处理的具体步骤如下:
(41)对测试样本进行以步长为50宽度为100滑窗采样测试样本,样本大小是100×100×100,将样本按照(13)的归一化方法归一化
所述步骤(5)的对测试样本的预测和后处理的具体步骤如下:
(51)将(41)中得到的预测标签图先进行填充操作,然后再删除小连通域。排除噪声.
附图说明
图1是3D分割网络
图2是卷积模块结构
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述
本发明的目的针针对缺血性脑卒中的难识别,个体的多样性,大小不一,很难分割的问题,提出了一种基于三维卷积的,随机连接构建最优的网络,去分割缺血性脑卒中的系统。
为了实现上述目的,本发明采用的技术方案是:
本发明公开了一种基于三维卷积的缺血性脑卒中分割系统,具体的实施步骤如下:
(6)对样本库的缺血性脑卒中图片样本,进行预处理,得到训练样本和验证样本。
(7)利用(1)中得到的训练样本,依批次输入如图1的设计的神经网络,进行训练。采用以交叉熵为损失函数带动量的随机梯度下降法训练网络。得到训练好的网络。
(8)采用随机连接的方式构建(2)中网络,并再按照(2)中步骤训练,得到最优模型。
(9)对测试图片按照(1)中的预处理方法,得到处理后的测试图片。
(10)利用(3)中训练好的网络,预测(4)中处理后的预测图片,再对预测图片后处理,完成对测试图片的分割。
所述步骤(1)中的预处理步骤如下:
(11)对样本库中样本按照一定比例分为训练样本和验证样本,然后将训练样本和验证样本都进行数据增强,将每个样本进行翻转,随机下采样,形变,以及改变对比度,饱和度,光照,得到数据增强后的训练样本和验证样本,样本大小是100×100×100。
(12)对(11)中训练样本和验证样本图片对应的标签图片,使用(11)中一样的旋转,翻转,同样的下采样,形变,保证标签样本与训练样本或验证样本对应,得到数据增强后的标签样本,样本大小是100×100×100。
(13)用(11)中的数据增强后的训练样本和验证样本归一化,将(11)中大批训练样本减去样本本身的均值,实现归一化,得到可训练样本和验证样本。
所述步骤(2)中的构建网络和训练的步骤如下:
(21)首先构建一个如图(1)的3D分割网络。图像数据依次进入三个残差模块和下采样,提出去特征。再由一个残差模块整合特征,之后分别输入四个不同膨胀系数的膨胀卷积模块。其中膨胀系数分别是2,4,6,10。之后在一个残差模块特征融合之后。依次进入三个残差模块和上采样得到最终的分割概率图。整个网络输出一个维度是100×100×100×2概率特征图。
图(1)中的残差模块由两个如图(2)的卷积模块组成,图(2)中卷积模块是由一个卷积核是3×3的卷积层,加上指数线性单元(ELU),加上一个卷积核是1×1的卷积层,加上指数线性单元(ELU),再加上一个卷积核是3×3的卷积层,加上指数线性单元(ELU)和一个卷积核是1×1的卷积层,加上指数线性单元(ELU)的快捷连接的加和得到输出。
图(1)中的膨胀卷积模块是由一个卷积核是3×3的卷积层,加上一个指数线性单元。再连接一个卷积核是3×3,带有膨胀系数的卷积层,再加上一个一个指数线性单元,之后连接一个卷积核是1×1数的卷积层,再加上一个一个指数线性单元。
(22)使用(21)中构建的网络训练(13)中得到的训练样本。使用交叉熵损失函数作为目标函数,其中损失函数如下:
为了防止过拟合,在代价函数后再加上一个L2正则项,得到的代价函数如下:
得到训练结果,以(13)的验证样本的准确度为标准,得到最优的网络。
所述步骤(3)中的采用随机连接的方式构建网络并训练,得到最优模型的步骤如下:
(31)在(21)的构建的网络的基础上,按照图(1)的3D分割网络上所给出尝试性连接线,连接其中一条线。得到新的网络。按照(22)的相同的步骤训练网络,得到的结果和(22)的网络结果进行对比,以验证集的准确度为标准,选出最优的网络。
(32)在(31)中得到当前最优的模型上连接与之前未尝试的连接线。训练之后当前最优的模型对比。根据验证集的准确度为标准,选出最优的网络。之后重复(32)步骤知道所有尝试性连接线都尝试。最终得到最优的模型。
所述步骤(4)中的对测试样本的预处理的具体步骤如下:
(41)对测试样本进行以步长为50宽度为100滑窗采样测试样本,样本大小是100×100×100,将样本按照(13)的归一化方法归一化
所述步骤(5)的对测试样本的预测和后处理的具体步骤如下:
(51)将(41)中得到的预测标签图先进行填充操作,然后再删除小连通域。排除噪声。
Claims (6)
1.一种基于三维卷积的缺血性脑卒中分割系统,所述方法包括:
(1)对样本库的缺血性脑卒中图片样本,进行预处理,得到训练样本和验证样本;
(2)利用(1)中得到的训练样本,依批次输入如图1的设计的神经网络,进行训练;采用以交叉熵为损失函数带动量的随机梯度下降法训练网络;得到训练好的网络;
(3)采用随机连接的方式构建(2)中网络,并再按照(2)中步骤训练,得到最优模型;
(4)对测试图片按照(1)中的预处理方法,得到处理后的测试图片;
(5)利用(3)中训练好的网络,预测(4)中处理后的预测图片,再对预测图片后处理,完成对测试图片的分割。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)中具体包括:
(11)对样本库中样本按照一定比例分为训练样本和验证样本,然后将训练样本和验证样本都进行数据增强,将每个样本进行翻转,随机下采样,形变,以及改变对比度,饱和度,光照,得到数据增强后的训练样本和验证样本,样本大小是100×100×100;
(12)对(11)中训练样本和验证样本图片对应的标签图片,使用(11)中一样的旋转,翻转,同样的下采样,形变,保证标签样本与训练样本或验证样本对应,得到数据增强后的标签样本,样本大小是100×100×100;
(13)用(11)中的数据增强后的训练样本和验证样本归一化,将(11)中大批训练样本减去样本本身的均值,实现归一化,得到可训练样本和验证样本。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2)中具体包括:
(21)首先构建一个如图(1)的3D分割网络;图像数据依次进入三个残差模块和下采样,提出去特征;再由一个残差模块整合特征,之后分别输入四个不同膨胀系数的膨胀卷积模块;其中膨胀系数分别是2,4,6,10;之后在一个残差模块特征融合之后;依次进入三个残差模块和上采样得到最终的分割概率图;整个网络输出一个维度是100×100×100×2概率特征图;
图(1)中的残差模块由两个如图(2)的卷积模块组成,图(2)中卷积模块是由一个卷积核是3×3的卷积层,加上指数线性单元(ELU),加上一个卷积核是1×1的卷积层,加上指数线性单元(ELU),再加上一个卷积核是3×3的卷积层,加上指数线性单元(ELU)和一个卷积核是1×1的卷积层,加上指数线性单元(ELU)的快捷连接的加和得到输出;
图(1)中的膨胀卷积模块是由一个卷积核是3×3的卷积层,加上一个指数线性单元;再连接一个卷积核是3×3,带有膨胀系数的卷积层,再加上一个一个指数线性单元,之后连接一个卷积核是1×1数的卷积层,再加上一个一个指数线性单元;
(22)使用(21)中构建的网络训练(13)中得到的训练样本;使用交叉熵损失函数作为目标函数,其中损失函数如下:
为了防止过拟合,在代价函数后再加上一个L2正则项,得到的代价函数如下:
得到训练结果,以(13)的验证样本的准确度为标准,得到最优的网络。
4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中具体包括:
(31)在(21)的构建的网络的基础上,按照图(1)的3D分割网络上所给出尝试性连接线,连接其中一条线;得到新的网络;按照(22)的相同的步骤训练网络,得到的结果和(22)的网络结果进行对比,以验证集的准确度为标准,选出最优的网络;
(32)在(31)中得到当前最优的模型上连接与之前未尝试的连接线;训练之后当前最优的模型对比;根据验证集的准确度为标准,选出最优的网络;之后重复(32)步骤知道所有尝试性连接线都尝试;最终得到最优的模型。
5.根据权利要求1所述的方法,其特征在于,所述步骤(4)中具体包括:
(41)对测试样本进行以步长为50宽度为100滑窗采样测试样本,样本大小是100×100×100,将样本按照(13)的归一化方法归一化。
6.根据权利要求1所述的方法,其特征在于,所述步骤(5)中具体包括:
(51)将(41)中得到的预测标签图先进行填充操作,然后再删除小连通域;排除噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316744.9A CN111160346A (zh) | 2018-11-07 | 2018-11-07 | 基于三维卷积的缺血性脑卒中分割系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316744.9A CN111160346A (zh) | 2018-11-07 | 2018-11-07 | 基于三维卷积的缺血性脑卒中分割系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160346A true CN111160346A (zh) | 2020-05-15 |
Family
ID=70554568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811316744.9A Pending CN111160346A (zh) | 2018-11-07 | 2018-11-07 | 基于三维卷积的缺血性脑卒中分割系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160346A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
CN114066846A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
CN108257128A (zh) * | 2018-01-30 | 2018-07-06 | 浙江大学 | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 |
US20180260956A1 (en) * | 2017-03-10 | 2018-09-13 | TuSimple | System and method for semantic segmentation using hybrid dilated convolution (hdc) |
CN109598728A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、诊断系统及存储介质 |
-
2018
- 2018-11-07 CN CN201811316744.9A patent/CN111160346A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260956A1 (en) * | 2017-03-10 | 2018-09-13 | TuSimple | System and method for semantic segmentation using hybrid dilated convolution (hdc) |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
CN108257128A (zh) * | 2018-01-30 | 2018-07-06 | 浙江大学 | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 |
CN109598728A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、诊断系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
CHEN CHEN 等: "3D Dilated Multi-Fiber Network for Real-time Brain Tumor Segmentation in MRI", 《HTTPS://ARXIV.ORG/PDF/1904.03355.PDF》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
CN114066846A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111681252A (zh) | 一种基于多路径注意力融合的医学图像自动分割方法 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN112712528B (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
CN112862830B (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
CN112767417B (zh) | 一种基于级联U-Net网络的多模态图像分割方法 | |
CN112446891A (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
JP7427080B2 (ja) | 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
CN112560710A (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
CN111160346A (zh) | 基于三维卷积的缺血性脑卒中分割系统 | |
CN115100165A (zh) | 一种基于肿瘤区域ct图像的结直肠癌t分期方法及系统 | |
CN114677349A (zh) | 编解码端边缘信息增强和注意引导的图像分割方法及系统 | |
CN111210398A (zh) | 基于多尺度池化的白细胞识别系统 | |
Qi et al. | Age estimation from MR images via 3D convolutional neural network and densely connect | |
Xiang et al. | Segmentation method of multiple sclerosis lesions based on 3D‐CNN networks | |
Shah et al. | Classifying and localizing abnormalities in brain MRI using channel attention based semi-Bayesian ensemble voting mechanism and convolutional auto-encoder | |
CN116385520A (zh) | 融合全光源图像的磨损表面形貌光度立体重建方法及系统 | |
Albishri et al. | Automated human claustrum segmentation using deep learning technologies | |
CN114821524A (zh) | 一种基于BiSeNet的轨道交通道路识别优化方法 | |
Chang et al. | CUDA‐based acceleration and BPN‐assisted automation of bilateral filtering for brain MR image restoration | |
Karakis | MI-STEG: A Medical Image Steganalysis Framework Based on Ensemble Deep Learning. | |
Mishra et al. | Weakly supervised crack segmentation using crack attention networks on concrete structures |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200515 |
|
WD01 | Invention patent application deemed withdrawn after publication |