CN111260651A - 一种基于深度迁移学习的胃部低质量mri图像分割方法 - Google Patents
一种基于深度迁移学习的胃部低质量mri图像分割方法 Download PDFInfo
- Publication number
- CN111260651A CN111260651A CN201811439913.8A CN201811439913A CN111260651A CN 111260651 A CN111260651 A CN 111260651A CN 201811439913 A CN201811439913 A CN 201811439913A CN 111260651 A CN111260651 A CN 111260651A
- Authority
- CN
- China
- Prior art keywords
- quality
- stomach
- neural network
- low
- mri image
- 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
Links
- 210000002784 stomach Anatomy 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003709 image segmentation Methods 0.000 title claims abstract description 14
- 238000013508 migration Methods 0.000 title claims abstract description 13
- 230000005012 migration Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000013526 transfer learning Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000003416 augmentation Effects 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 230000002496 gastric effect Effects 0.000 claims 1
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于深度迁移学习的胃部低质量MRI图像分割方法，包括如下步骤：获取患者图像；根据患者图像获取患者数据集；构造源域样本集；构造目标域训练集和测试集；训练源域高质量胃部MRI图像深度神经网络模型；训练目标域低质量胃部MRI图像深度神经网络模型；将胃部MRI图像深度神经网络A的的参数迁移到胃部MRI图像深度神经网络B中，形成基于迁移学习的低质量胃部MRI图像深度神经网络C；运用低质量胃部MRI图像深度神经网络C，对低质量MRI图像测试样本完成测试，得到低质量MRI图像测试样本的分割结果及相关参数。本发明采用迁移学习的方法，对低质量胃部CT图像进行分割，能够帮助医生对胃部MRI有更加直观的认识，提高临床诊断和治疗的准确性。
Description
技术领域
本发明涉及一种图像处理技术领域，具体是一种基于深度迁移学习的胃部低质量MRI图像分割方法。
背景技术
传统的医学图像分割方法主要基于图像和基于模型分割方法，基于图像的分割方法利用了图像本身的信息，如像素灰度、纹理和局部关系等，根据目标与其他区域在图像表现形式上的差别。基于模型的分割方法除了利用图像本身的信息，还利用了目标形状的先验信息，这些形状信息刻画了目标表面和内部特征的平滑属性，比单纯的基于图像的分割方法要准确。
但现有的分割方法存在一些缺点，基于图像的分割方法适合用于提取目标的结构，但单纯地基于图像信息来分割对图像的质量要求较高，通常对噪声、伪影和低对比度问题比较敏感。而基于模型的分割方法不受限于特定的目标形状，但对初始区域的选择比较敏感，可能陷入局部最优。
发明内容
本发明的目的在于提供一种基于深度迁移学习的胃部低质量MRI图像分割方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于深度迁移学习的胃部低质量MRI图像分割方法，包括如下步骤：
1)获取患者图像：
2)根据患者图像获取患者数据集：
3)构造源域样本集：
4)构造目标域训练集和测试集：
5)训练源域高质量胃部MRI图像深度神经网络模型：
6)训练目标域低质量胃部MRI图像深度神经网络模型：
7)将胃部MRI图像深度神经网络A的的参数迁移到胃部MRI图像深度神经网络B中，形成基于迁移学习的低质量胃部MRI图像深度神经网络C；
8)运用低质量胃部MRI图像深度神经网络C，对低质量MRI图像测试样本完成测试，得到低质量MRI图像测试样本的分割结果及相关参数。
作为本发明进一步的方案：所述步骤1)包括：
从医院获取n×m幅高质量VIBE Pre序列胃部磁共振图像，其中n＝9表示患者个数，m≤120表示共计120副图像；获取a×b幅低质量胃部磁共振图像，其中a＝3表示患者个数，b≤194表示共计194副图像；
作为本发明再进一步的方案：所述步骤2)包括：
a)获取低质量MRI成像时使用的磁场强度为0.3T，成像层厚为3mm，所得图像大小为300×334；
b)获取高质量MRI图像为不带增强的VIBE Pre序列，所得图像大小为320×240；
作为本发明再进一步的方案：所述步骤3)包括：
高质量MRI图像取120幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到480幅高质量MRI源域样本集；
作为本发明再进一步的方案：所述步骤4)包括：
a)低质量MRI图像取170幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到680幅低质量MRI训练样本；标签也同样进行增广操作，附相同数量的训练样本标签；
b)低质量MRI图像20幅为测试样本集，同时附相同数量的测试样本标签；
作为本发明再进一步的方案：所述步骤5)包括：
采用基于U-Net深度神经网络模型，训练生成高质量胃部MRI图像深度神经网络A；
作为本发明再进一步的方案：所述步骤6)包括：
采用基于U-Net深度神经网络模型，训练生成低质量胃部MRI图像深度神经网络B。
与现有技术相比，本发明的有益效果是：
本发明采用迁移学习的方法，对低质量胃部CT图像进行分割，结构表明，基于迁移学习的深度神经网络分割方法优于传统方法。能够帮助医生对胃部MRI有更加直观的认识，提高临床诊断和治疗的准确性。
附图说明
图1为根据本发明的一个实施例的方法流程图。
具体实施方式
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，所描述的实施例仅仅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做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。
实施例1：
请参阅图1，本发明实施例中，一种基于深度迁移学习的胃部低质量MRI图像分割方法，包括如下步骤：。
1)获取患者图像：
从医院获取n×m幅高质量VIBE Pre序列胃部磁共振图像，其中n表示患者个数，m表示共计图像的数量；获取a×b幅低质量胃部磁共振图像，其中a表示患者个数，b表示共计图像的数量；
2)根据患者图像获取患者数据集：
a)获取低质量MRI成像时使用的磁场强度、成像层厚、和所得图像大小；
b)获取高质量MRI图像为不带增强的VIBE Pre序列，获取所得图像大小；
3)构造源域样本集：
高质量MRI图像取x幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到4x幅高质量MRI源域样本集；
4)构造目标域训练集和测试集：
a)低质量MRI图像取y幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到4y幅低质量MRI训练样本；标签也同样进行增广操作，附相同数量的训练样本标签；
b)低质量MRI图像z幅为测试样本集，同时附相同数量的测试样本标签；
5)训练源域高质量胃部MRI图像深度神经网络模型：
采用基于U-Net深度神经网络模型，训练生成高质量胃部MRI图像深度神经网络A；
6)训练目标域低质量胃部MRI图像深度神经网络模型：
采用基于U-Net深度神经网络模型，训练生成低质量胃部MRI图像深度神经网络B；
7)将胃部MRI图像深度神经网络A的的参数迁移到胃部MRI图像深度神经网络B中，形成基于迁移学习的低质量胃部MRI图像深度神经网络C；
8)运用低质量胃部MRI图像深度神经网络C，对低质量MRI图像测试样本完成测试，得到低质量MRI图像测试样本的分割结果及相关参数。
实施例2：
1)获取患者图像：
从医院获取n×m幅高质量VIBE Pre序列胃部磁共振图像，其中n＝9表示患者个数，m≤120表示共计120副图像；获取a×b幅低质量胃部磁共振图像，其中a＝3表示患者个数，b≤194表示共计194副图像；
2)根据患者图像获取患者数据集：
a)获取低质量MRI成像时使用的磁场强度为0.3T，成像层厚为3mm，所得图像大小为300×334；
b)获取高质量MRI图像为不带增强的VIBE Pre序列，所得图像大小为320×240；
3)构造源域样本集：
高质量MRI图像取120幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到480幅高质量MRI源域样本集；
4)构造目标域训练集和测试集：
a)低质量MRI图像取170幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到680幅低质量MRI训练样本；标签也同样进行增广操作，附相同数量的训练样本标签；
b)低质量MRI图像20幅为测试样本集，同时附相同数量的测试样本标签；
5)训练源域高质量胃部MRI图像深度神经网络模型：
采用基于U-Net深度神经网络模型，训练生成高质量胃部MRI图像深度神经网络A；
6)训练目标域低质量胃部MRI图像深度神经网络模型：
采用基于U-Net深度神经网络模型，训练生成低质量胃部MRI图像深度神经网络B；
7)将胃部MRI图像深度神经网络A的的参数迁移到胃部MRI图像深度神经网络B中，形成基于迁移学习的低质量胃部MRI图像深度神经网络C；
8)运用低质量胃部MRI图像深度神经网络C，对低质量MRI图像测试样本完成测试，得到低质量MRI图像测试样本的分割结果及相关参数。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于深度迁移学习的胃部低质量MRI图像分割方法，其特征在于，包括如下步骤：
1)获取患者图像：
2)根据患者图像获取患者数据集：
3)构造源域样本集：
4)构造目标域训练集和测试集：
5)训练源域高质量胃部MRI图像深度神经网络模型：
6)训练目标域低质量胃部MRI图像深度神经网络模型：
7)将胃部MRI图像深度神经网络A的的参数迁移到胃部MRI图像深度神经网络B中，形成基于迁移学习的低质量胃部MRI图像深度神经网络C；
8)运用低质量胃部MRI图像深度神经网络C，对低质量MRI图像测试样本完成测试，得到低质量MRI图像测试样本的分割结果及相关参数。
2.根据权利要求1所述的基于迁移学习的深度神经网络胃部MRI图像分割方法，其特征在于，所述步骤1)包括：
从医院获取n×m幅高质量VIBE Pre序列胃部磁共振图像，其中n表示患者个数，m表示共计图像的数量；获取a×b幅低质量胃部磁共振图像，其中a表示患者个数，b表示共计图像的数量。
3.根据权利要求1所述的基于迁移学习的深度神经网络胃部MRI图像分割方法，其特征在于，所述步骤2)包括：
a)获取低质量MRI成像时使用的磁场强度、成像层厚、和所得图像大小；
b)获取高质量MRI图像为不带增强的VIBE Pre序列，获取所得图像大小。
4.根据权利要求1所述的基于迁移学习的深度神经网络胃部MRI图像分割方法，其特征在于，所述步骤3)包括：
高质量MRI图像取x幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到4x幅高质量MRI源域样本集。
5.根据权利要求1所述的基于迁移学习的深度神经网络胃部MRI图像分割方法，其特征在于，所述步骤4)包括：
a)低质量MRI图像取y幅为训练样本集，将每一幅图像分别对进行逆时针旋转180度、垂直翻转和水平翻转得到对应的另外三张图。即将原始数据集扩大了3倍，一共得到4y幅低质量MRI训练样本；标签也同样进行增广操作，附相同数量的训练样本标签；
b)低质量MRI图像z幅为测试样本集，同时附相同数量的测试样本标签。
6.根据权利要求1所述的基于迁移学习的深度神经网络胃部MRI图像分割方法，其特征在于，所述步骤5)包括：
采用基于U-Net深度神经网络模型，训练生成高质量胃部MRI图像深度神经网络A。
7.根据权利要求1所述的基于迁移学习的深度神经网络胃部MRI图像分割方法，其特征在于，所述步骤6)包括：
采用基于U-Net深度神经网络模型，训练生成低质量胃部MRI图像深度神经网络B。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811439913.8A CN111260651B (zh) | 2018-11-30 | 2018-11-30 | 一种基于深度迁移学习的胃部低质量mri图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811439913.8A CN111260651B (zh) | 2018-11-30 | 2018-11-30 | 一种基于深度迁移学习的胃部低质量mri图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111260651A true CN111260651A (zh) | 2020-06-09 |
| CN111260651B CN111260651B (zh) | 2023-11-10 |
Family
ID=70946423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811439913.8A Active CN111260651B (zh) | 2018-11-30 | 2018-11-30 | 一种基于深度迁移学习的胃部低质量mri图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260651B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932550A (zh) * | 2020-07-01 | 2020-11-13 | 浙江大学 | 一种基于深度学习的3d心室核磁共振视频分割系统 |
| CN112102276A (zh) * | 2020-09-10 | 2020-12-18 | 西安电子科技大学 | 基于迁移学习图像增强的低场强mr胃部分割方法 |
| CN113570569A (zh) * | 2021-07-26 | 2021-10-29 | 东北大学 | 一种基于超声图像的室间隔抖动自动检测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
| CN108564570A (zh) * | 2018-03-29 | 2018-09-21 | 哈尔滨工业大学（威海） | 一种智能化的病变组织定位的方法和装置 |
| CN108573243A (zh) * | 2018-04-27 | 2018-09-25 | 上海敏识网络科技有限公司 | 一种基于深度卷积神经网络的低质量人脸的比对方法 |
-
2018
- 2018-11-30 CN CN201811439913.8A patent/CN111260651B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
| CN108564570A (zh) * | 2018-03-29 | 2018-09-21 | 哈尔滨工业大学（威海） | 一种智能化的病变组织定位的方法和装置 |
| CN108573243A (zh) * | 2018-04-27 | 2018-09-25 | 上海敏识网络科技有限公司 | 一种基于深度卷积神经网络的低质量人脸的比对方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王晓权;郑绍华;潘林;: "基于迁移学习和SVM的糖网图像分类" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932550A (zh) * | 2020-07-01 | 2020-11-13 | 浙江大学 | 一种基于深度学习的3d心室核磁共振视频分割系统 |
| CN112102276A (zh) * | 2020-09-10 | 2020-12-18 | 西安电子科技大学 | 基于迁移学习图像增强的低场强mr胃部分割方法 |
| CN112102276B (zh) * | 2020-09-10 | 2023-03-28 | 西安电子科技大学 | 基于迁移学习图像增强的低场强mr胃部分割方法 |
| CN113570569A (zh) * | 2021-07-26 | 2021-10-29 | 东北大学 | 一种基于超声图像的室间隔抖动自动检测系统 |
| CN113570569B (zh) * | 2021-07-26 | 2024-04-16 | 东北大学 | 一种基于深度学习的心脏室间隔抖动自动检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111260651B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191476B (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
| CN110310281B (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| CN107909585B (zh) | 一种血管内超声影像的血管中内膜分割方法 | |
| CN110889005B (zh) | 搜索医学参考图像 | |
| US20190213779A1 (en) | Apparatus and method for producing three-dimensional models from magnetic resonance imaging | |
| CN110461228A (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
| WO2015175806A1 (en) | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models | |
| CN111260651B (zh) | 一种基于深度迁移学习的胃部低质量mri图像分割方法 | |
| CN110188792A (zh) | 前列腺mri三维图像的图像特征获取方法 | |
| CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
| WO2022095258A1 (zh) | 图像目标分类方法、装置、设备、存储介质及程序 | |
| CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
| Cui et al. | Bidirectional cross-modality unsupervised domain adaptation using generative adversarial networks for cardiac image segmentation | |
| Chen et al. | A deep discontinuity-preserving image registration network | |
| Dovganich et al. | Automatic out-of-distribution detection methods for improving the deep learning classification of pulmonary X-ray images | |
| Wang et al. | A fast 3D brain extraction and visualization framework using active contour and modern OpenGL pipelines | |
| CN117911432A (zh) | 图像分割方法、装置及存储介质 | |
| CN113689441A (zh) | 一种基于DeepLabV3网络的左心室超声动态分割方法 | |
| Khader et al. | Adaptive preprocessing for generalization in cardiac MR image segmentation | |
| CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
| Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
| CN112509079A (zh) | 颅内血管造影增强三维狭窄化分析模型的建立方法 | |
| CN112562058A (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
| CN110189407B (zh) | 一种基于hololens的人体三维重建模型系统 | |
| You et al. | A cGAN-based tumor segmentation method for breast ultrasound 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 |