CN111563875B - 基于动态边缘预测的核磁共振影像中肾脏分离方法及装置 - Google Patents
基于动态边缘预测的核磁共振影像中肾脏分离方法及装置 Download PDFInfo
- Publication number
- CN111563875B CN111563875B CN202010155718.3A CN202010155718A CN111563875B CN 111563875 B CN111563875 B CN 111563875B CN 202010155718 A CN202010155718 A CN 202010155718A CN 111563875 B CN111563875 B CN 111563875B
- Authority
- CN
- China
- Prior art keywords
- training
- matrix
- prediction
- endpoint
- distance
- 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.)
- Active
Links
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—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
- G06T2207/30084—Kidney; Renal
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于动态边缘预测的核磁共振影像中肾脏分离方法及装置,随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。本发明克服了现有医学影像分离网络训练数据匮乏的问题,能自动生成训练数据。此外,本发明相比于预测所有属于肾部的体素而仅预测肾脏边缘体素。且,本发明操作简便,成本低廉,分离结果准确。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于动态边缘预测的核磁共振影像中肾脏分离方法及装置。
背景技术
随着医学成像技术的飞速发展,医学影像在疾病诊断中的地位越发重要。精准的肾部分割可以很大程度上提高计算机辅助诊断,腹腔手术导航等的准确率。现有的肾部核磁共振图像分割方法主要包含基于传统方法、基于统计模型和基于深度学习三类。传统方法大多需要人工干预,且难以分割对比度低、边界模糊的CT图像。基于统计模型的方法通常需要将先验模型与待分割图像进行配准,该过程耗费时间长,且分割结果受配准精度影响较大。现有的基于深度学习的方法需要大量的训练数据,且容易出现过拟合问题,此外若基于3D网络训练,则可能导致难以收敛,若基于2D网络训练,则可能损失上下文信息。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于动态边缘预测的核磁共振影像中肾脏分离方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种基于动态边缘预测的核磁共振影像中肾脏分离方法,其特征在于,包括以下步骤:S1,确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;S2,将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;S3,对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;S4,将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;S5,将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1,直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络;S6,初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;S7,在待预测肾部MRI图像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;S8,将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;S9,利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2,直至执行本步骤预设第二次数,或者预测矩阵O2内元素小于预设阈值;S10,对预测终点集E2中点进行核密度估计,去除孤立点;S11,对预测终点集E2中剩余终点进行三角剖分形成网格结构;S12,对网格结构进行体素化和空洞填充;S13,对体素化后的模型表面薄化重建肾脏表面。
本发明另一方面提供了一种基于动态边缘预测的核磁共振影像中肾脏分离方法,包括以下步骤:确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;训练动态边缘预测网络,动态边缘预测网络的输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离;获取待预测肾脏核磁共振影像,利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界;基于最终预测得到的终点集三维重建肾脏表面。
其中,训练动态边缘预测网络包括:将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1;直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络。
其中,利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界包括:初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;在待预测肾脏核磁共振影像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2;直至执行本步骤预设第二次数,或者预测矩阵O2内元素小于预设阈值。
其中,基于最终预测得到的终点集三维重建肾脏表面包括:对预测终点集E2中点进行核密度估计,去除孤立点;对预测终点集E2中剩余终点进行三角剖分形成网格结构;对网格结构进行体素化和空洞填充;对体素化后的模型表面薄化重建肾脏表面。
本发明又一方面提供了一种基于动态边缘预测的核磁共振影像中肾脏分离装置,包括:确定模块,用于确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;划分模块,用于将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;构建模块,用于对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;训练模块,用于将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;更新模块,用于将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1,直至执行该操作预设第一次数,得到训练好的动态边缘预测网络;初始化模块,用于初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;形成模块,用于在待预测肾部MRI图像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;预测模块,用于将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;更新模块,用于利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2,直至执行该操作预设第二次数,或者预测矩阵O2内元素小于预设阈值;估计模块,用于对预测终点集E2中点进行核密度估计,去除孤立点;剖分模块,用于对预测终点集E2中剩余终点进行三角剖分形成网格结构;填充模块,用于对网格结构进行体素化和空洞填充;重建模块,用于对体素化后的模型表面薄化重建肾脏表面。
本发明还一方面提供了一种基于动态边缘预测的核磁共振影像中肾脏分离装置,包括:确定模块,用于确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;训练模块,用于训练动态边缘预测网络,动态边缘预测网络的输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离;预测模块,用于获取待预测肾脏核磁共振影像,利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界;重建模块,用于基于最终预测得到的终点集三维重建肾脏表面。
其中,训练模块通过如下方式训练动态边缘预测网络:训练模块,具体用于将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1;直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络。
其中,训练模块通过如下方式利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界:训练模块,具体用于初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;在待预测肾脏核磁共振影像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2;直至执行本步骤预设第二次数,或者预测矩阵O2内元素小于预设阈值。
其中,重建模块通过如下方式基于最终预测得到的终点集三维重建肾脏表面:重建模块,具体用于对预测终点集E2中点进行核密度估计,去除孤立点;对预测终点集E2中剩余终点进行三角剖分形成网格结构;对网格结构进行体素化和空洞填充;对体素化后的模型表面薄化重建肾脏表面。
由此可见,通过本发明提供的基于动态边缘预测的核磁共振影像中肾脏分离方法及装置,随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。
本发明克服了现有医学影像分离网络训练数据匮乏的问题,能自动生成训练数据。
此外,本发明相比于预测所有属于肾部的体素而仅预测肾脏边缘体素。
且,本发明操作简便,成本低廉,分离结果准确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离方法的流程图;
图2为本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离装置的结构示意图;
图3为本发明实施例2提供的预测流程图;
图4是本发明实施例2中边缘终点动态迭代过程。
图5是本发明实施例2中核密度估计示意图。
图6是本发明实施例2中体素化过程示意图。
图7为本发明实施例提3供的基于动态边缘预测的核磁共振影像中肾脏分离方法的流程图;
图8为本发明实施例3提供的基于动态边缘预测的核磁共振影像中肾脏分离装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
图1示出了本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离方法的流程图,参见图1,本发明实施例提供的基于动态边缘预测的核磁共振影像中肾脏分离方法,包括以下步骤:
S1,确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量。
具体地,确定一个方向集D={d1,d2,…,dM},集合中每个元素都是单位向量,将单位球方位角和极角均分,取单位球上每个方向对应的向量加入方向集合即构成方向集D。
S2,训练动态边缘预测网络,动态边缘预测网络的输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离。
作为本发明实施例的一个可选实施方式,训练动态边缘预测网络包括:将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1;直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络。
S3,获取待预测肾脏核磁共振影像,利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界。
作为本发明实施例的一个可选实施方式,利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界包括:初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;在待预测肾脏核磁共振影像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2;直至执行本步骤预设第二次数,或者预测矩阵O2内元素小于预设阈值。
S4,基于最终预测得到的终点集三维重建肾脏表面。
作为本发明实施例的一个可选实施方式,基于最终预测得到的终点集三维重建肾脏表面包括:对预测终点集E2中点进行核密度估计,去除孤立点;对预测终点集E2中剩余终点进行三角剖分形成网格结构;对网格结构进行体素化和空洞填充;对体素化后的模型表面薄化重建肾脏表面。
由此可见,利用本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离方法,将随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。
本发明能依据少量医学图像自动生成大量训练数据,一定程度上解决了训练数据匮乏的问题。
本发明仅预测肾脏的二维曲面,不直接预测肾脏内部所有体素,精度更高。
本发明使用的动态边缘预测方法不需要将三维图像切成切片或者分成小块,可以更好的利用核磁共振影像的上下文信息。
图2示出了本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离装置的结构示意图,该基于动态边缘预测的核磁共振影像中肾脏分离装置应用上述方法,以下仅对基于动态边缘预测的核磁共振影像中肾脏分离装置的结构进行简单说明,其他未尽事宜,请参照上述基于动态边缘预测的核磁共振影像中肾脏分离方法中的相关描述,参见图2,本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离装置,包括:
确定模块,用于确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
训练模块,用于训练动态边缘预测网络,动态边缘预测网络的输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离;
预测模块,用于获取待预测肾脏核磁共振影像,利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界;
重建模块,用于基于最终预测得到的终点集三维重建肾脏表面。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式训练动态边缘预测网络:训练模块,具体用于将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1;直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式利用训练好的动态边缘预测网络预测待预测肾脏核磁共振影像中的肾部边界:训练模块,具体用于初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;在待预测肾脏核磁共振影像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2;直至执行本步骤预设第二次数,或者预测矩阵O2内元素小于预设阈值。
作为本发明实施例的一个可选实施方式,重建模块通过如下方式基于最终预测得到的终点集三维重建肾脏表面:重建模块,具体用于对预测终点集E2中点进行核密度估计,去除孤立点;对预测终点集E2中剩余终点进行三角剖分形成网格结构;对网格结构进行体素化和空洞填充;对体素化后的模型表面薄化重建肾脏表面。
由此可见,利用本发明实施例1提供的基于动态边缘预测的核磁共振影像中肾脏分离装置,将随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。
本发明能依据少量医学图像自动生成大量训练数据,一定程度上解决了训练数据匮乏的问题。
本发明仅预测肾脏的二维曲面,不直接预测肾脏内部所有体素,精度更高。
本发明使用的动态边缘预测方法不需要将三维图像切成切片或者分成小块,可以更好的利用核磁共振影像的上下文信息。
以上实施例1所采用的具体数值可以参考实施例2中的相关说明。
实施例2
通过图3-图6以一个具体的示例来对本发明提出的基于动态边缘预测的核磁共振影像中肾脏分离方法进行说明,方法包括以下步骤:
1)确定一个方向集合D={d1,d2,…,dM},集合中每个元素都是单位向量,本实施例中M=10000。
1-1)将单位球方位角(0至2π)和极角(-0.5π至0.5π)均分100份,取单位球上100*100共10000个方向对应的向量加入方向集合即构成方向集合D;
2)训练一个动态边缘预测网络,输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离;具体步骤如下:
2-1)将现有带标注的肾脏核磁共振影像集合按一定比例(本实施例中为8比2)划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的矩阵C,C中每个元素储存体素(x,y,z)到边界的距离,Hx,Hy,Hz分别为核磁图像在三个方向上的尺寸(本实施例中均为512)。
2-2)对于每套肾脏核磁共振影像,随机采样形成种子点集P={p1,p2,…,pN},本实施例中N=1000;构建形状为N*M的距离矩阵R,其中每个元素为rij为方向j上距离第i个枢点的距离,其中所有距离初始化为一个常数;构建终点集E,其中每个终点元素eij=pi+rij*dm;构建形状为N*M的终点强度矩阵I,其中每个元素iij为核磁共振图像中终点eij对应体素的强度值。
2-3)将I输入动态边缘预测网络,网络输出相同尺寸O,其中O每个元素代表该终点距离边界的距离。
2-4)O与C逐元素计算平方损失L=∑i∑j(Oij-Cij)2,并将损失L反传给网络进行梯度下降,更新矩阵R,E,I
2-5)重复步骤2-4),直至一定次数,本实施例中为50次。
3)利用训练好的神经网络模型预测医学核磁共振图像中的肾部边界,边缘终点动态改变示意图如图4所示:
3-1)初始化形状为N*M的距离矩阵R,其中每个元素为rij为方向j上距离第i个枢点的距离。
3-2)在待预测肾部MRI图像上随机采样N个种子点,本实施例中为1000,依据方向集D,以及初始化距离矩阵R,形成终点集E,每个终点集对应的图像强度值形成尺寸为N*M的强度矩阵I。
3-3)将I输入动态边缘预测网络,得到同样尺寸的矩阵O,每个元素代表对应终点距离边界的长度,此长度可为正可为负可为零,为正即对应终点需要沿该方向正方向延伸,为负即对应终点需要沿该方向负方向收缩。
3-4)利用矩阵O更新矩阵R,进行对应元素相加,并同时更新E,I;重复步骤3-3)直至重复至一定次数,或者矩阵O内元素小于某个阈值。
4)基于最终预测得到的终点集三维重建肾脏表面。
4-1)对最后终点集中点进行核密度估计,去除孤立点,结果如图5所示。
4-2)对终点集中剩余终点进行三角剖分形成网格结构。
4-3)对4-2)中网格结构进行体素化和空洞填充,结果如图6所示。
4-4)对体素化后的模型表面薄化,保证一个相对紧致的表面。
由此可见,利用本发明实施例2提供的基于动态边缘预测的核磁共振影像中肾脏分离方法,将随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。
本发明能依据少量医学图像自动生成大量训练数据,一定程度上解决了训练数据匮乏的问题。
本发明仅预测肾脏的二维曲面,不直接预测肾脏内部所有体素,精度更高。
本发明使用的动态边缘预测方法不需要将三维图像切成切片或者分成小块,可以更好的利用核磁共振影像的上下文信息。
实施例3
图7示出了本发明实施例3提供的基于动态边缘预测的核磁共振影像中肾脏分离方法的流程图,参见图3,本发明实施例提供的基于动态边缘预测的核磁共振影像中肾脏分离方法,包括以下步骤:
S1,确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
S2,将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;
S3,对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;
S4,将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;
S5,将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1,直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络;
S6,初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;
S7,在待预测肾部MRI图像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;
S8,将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;
S9,利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2,直至执行本步骤预设第二次数,或者预测矩阵O2内元素小于预设阈值;
S10,对预测终点集E2中点进行核密度估计,去除孤立点;
S11,对预测终点集E2中剩余终点进行三角剖分形成网格结构;
S12,对网格结构进行体素化和空洞填充;
S13,对体素化后的模型表面薄化重建肾脏表面。
由此可见,利用本发明实施例3提供的基于动态边缘预测的核磁共振影像中肾脏分离方法,将随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。
本发明能依据少量医学图像自动生成大量训练数据,一定程度上解决了训练数据匮乏的问题。
本发明仅预测肾脏的二维曲面,不直接预测肾脏内部所有体素,精度更高。
本发明使用的动态边缘预测方法不需要将三维图像切成切片或者分成小块,可以更好的利用核磁共振影像的上下文信息。
图8示出了本发明实施例3提供的基于动态边缘预测的核磁共振影像中肾脏分离装置的结构示意图,该基于动态边缘预测的核磁共振影像中肾脏分离装置应用上述方法,以下仅对基于动态边缘预测的核磁共振影像中肾脏分离装置的结构进行简单说明,其他未尽事宜,请参照上述基于动态边缘预测的核磁共振影像中肾脏分离方法中的相关描述,参见图8,本发明实施例3提供的基于动态边缘预测的核磁共振影像中肾脏分离装置,包括:
确定模块,用于确定方向集D={d1,d2,…,dM},其中,方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
划分模块,用于将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;
构建模块,用于对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;
训练模块,用于将训练终点强度矩阵I1输入预先构建的动态边缘预测网络,动态边缘预测网络输出与训练终点强度矩阵I1相同尺寸的训练矩阵O1,训练矩阵O1中每个元素代表该终点距离边界的距离;
第一更新模块,用于将训练矩阵O1与训练矩阵C逐元素计算平方损失,并将损失反传给动态边缘预测网络,更新训练距离矩阵R1,训练终点集E1和训练终点强度矩阵I1,直至执行该操作预设第一次数,得到训练好的动态边缘预测网络;
初始化模块,用于初始化形状为N*M的预测距离矩阵R2,预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;
形成模块,用于在待预测肾部MRI图像上随机采样n个种子点,依据方向集D,以及初始化的预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;
预测模块,用于将预测终点强度矩阵I2输入训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,预测矩阵O2中每个元素代表对应终点距离边界的长度;
第二更新模块,用于利用预测矩阵O2更新预测距离矩阵R2,进行对应元素相加,并同时更新预测终点集E2和终点强度矩阵I2,直至执行该操作预设第二次数,或者预测矩阵O2内元素小于预设阈值;
估计模块,用于对预测终点集E2中点进行核密度估计,去除孤立点;
剖分模块,用于对预测终点集E2中剩余终点进行三角剖分形成网格结构;
填充模块,用于对网格结构进行体素化和空洞填充;
重建模块,用于对体素化后的模型表面薄化重建肾脏表面。
由此可见,利用本发明实施例3提供的基于动态边缘预测的核磁共振影像中肾脏分离装置,将随机在医学影像中选择种子点,通过各方向上的终点在种子点外形成包络,不断动态更新终点距离种子点的距离从而使得终点更加接近肾脏边缘,从而分离出肾脏。
本发明能依据少量医学图像自动生成大量训练数据,一定程度上解决了训练数据匮乏的问题。
本发明仅预测肾脏的二维曲面,不直接预测肾脏内部所有体素,精度更高。
本发明使用的动态边缘预测方法不需要将三维图像切成切片或者分成小块,可以更好的利用核磁共振影像的上下文信息。
以上实施例3所采用的具体数值可以参考实施例2中的相关说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于动态边缘预测的核磁共振影像中肾脏分离方法,其特征在于,包括以下步骤:
S1,确定方向集D={d1,d2,…,dM},其中,所述方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
S2,将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,所述训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;
S3,对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,所述训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,所述训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,所述训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;
S4,将所述训练终点强度矩阵I1输入预先构建的动态边缘预测网络,所述动态边缘预测网络输出与所述训练终点强度矩阵I1相同尺寸的训练矩阵O1,所述训练矩阵O1中每个元素代表该终点距离边界的距离;
S5,将所述训练矩阵O1与所述训练矩阵C逐元素计算平方损失,并将损失反传给所述动态边缘预测网络,更新所述训练距离矩阵R1,所述训练终点集E1和所述训练终点强度矩阵I1,直至执行本步骤预设第一次数,得到训练好的动态边缘预测网络;
S6,初始化形状为N*M的预测距离矩阵R2,所述预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;
S7,在待预测肾部MRI图像上随机采样n个种子点,依据所述方向集D,以及初始化的所述预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;
S8,将所述预测终点强度矩阵I2输入所述训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,所述预测矩阵O2中每个元素代表对应终点距离边界的长度;
S9,利用所述预测矩阵O2更新所述预测距离矩阵R2,进行对应元素相加,并同时更新所述预测终点集E2和所述预测终点强度矩阵I2,直至执行本步骤预设第二次数,或者所述预测矩阵O2内元素小于预设阈值;
S10,对所述预测终点集E2中点进行核密度估计,去除孤立点;
S11,对所述预测终点集E2中剩余终点进行三角剖分形成网格结构;
S12,对所述网格结构进行体素化和空洞填充;
S13,对体素化后的模型表面薄化重建肾脏表面。
2.一种基于动态边缘预测的核磁共振影像中肾脏分离方法,其特征在于,包括以下步骤:
确定方向集D={d1,d2,…,dM},其中,所述方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
训练动态边缘预测网络,所述动态边缘预测网络的输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离;
获取待预测肾脏核磁共振影像,利用训练好的动态边缘预测网络预测所述待预测肾脏核磁共振影像中的肾部边界;
基于最终预测得到的终点集三维重建肾脏表面;
其中:
所述训练动态边缘预测网络包括:
将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,所述训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;
对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,所述训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,所述训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,所述训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;
将所述训练终点强度矩阵I1输入预先构建的动态边缘预测网络,所述动态边缘预测网络输出与所述训练终点强度矩阵I1相同尺寸的训练矩阵O1,所述训练矩阵O1中每个元素代表该终点距离边界的距离;
将所述训练矩阵O1与所述训练矩阵C逐元素计算平方损失,并将损失反传给所述动态边缘预测网络,更新所述训练距离矩阵R1,所述训练终点集E1和所述训练终点强度矩阵I1;直至执行本步骤预设第一次数,得到所述训练好的动态边缘预测网络。
3.根据权利要求2所述的方法,其特征在于,所述利用训练好的动态边缘预测网络预测所述待预测肾脏核磁共振影像中的肾部边界包括:
初始化形状为N*M的预测距离矩阵R2,所述预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;
在所述待预测肾脏核磁共振影像上随机采样n个种子点,依据所述方向集D,以及初始化的所述预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;
将所述预测终点强度矩阵I2输入所述训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,所述预测矩阵O2中每个元素代表对应终点距离边界的长度;
利用所述预测矩阵O2更新所述预测距离矩阵R2,进行对应元素相加,并同时更新所述预测终点集E2和所述预测终点强度矩阵I2;直至执行本步骤预设第二次数,或者所述预测矩阵O2内元素小于预设阈值。
4.根据权利要求2所述的方法,其特征在于,所述基于最终预测得到的终点集三维重建肾脏表面包括:
对所述预测终点集E2中点进行核密度估计,去除孤立点;
对所述预测终点集E2中剩余终点进行三角剖分形成网格结构;
对所述网格结构进行体素化和空洞填充;
对体素化后的模型表面薄化重建肾脏表面。
5.一种基于动态边缘预测的核磁共振影像中肾脏分离装置,其特征在于,包括:
确定模块,用于确定方向集D={d1,d2,…,dM},其中,所述方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
划分模块,用于将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,所述训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;
构建模块,用于对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,所述训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,所述训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,所述训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;
训练模块,用于将所述训练终点强度矩阵I1输入预先构建的动态边缘预测网络,所述动态边缘预测网络输出与所述训练终点强度矩阵I1相同尺寸的训练矩阵O1,所述训练矩阵O1中每个元素代表该终点距离边界的距离;
更新模块,用于将所述训练矩阵O1与所述训练矩阵C逐元素计算平方损失,并将损失反传给所述动态边缘预测网络,更新所述训练距离矩阵R1,所述训练终点集E1和所述训练终点强度矩阵I1,直至执行该操作预设第一次数,得到训练好的动态边缘预测网络;
初始化模块,用于初始化形状为N*M的预测距离矩阵R2,所述预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;
形成模块,用于在待预测肾部MRI图像上随机采样n个种子点,依据所述方向集D,以及初始化的所述预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;
预测模块,用于将所述预测终点强度矩阵I2输入所述训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,所述预测矩阵O2中每个元素代表对应终点距离边界的长度;
更新模块,用于利用所述预测矩阵O2更新所述预测距离矩阵R2,进行对应元素相加,并同时更新所述预测终点集E2和所述预测终点强度矩阵I2,直至执行该操作预设第二次数,或者所述预测矩阵O2内元素小于预设阈值;
估计模块,用于对所述预测终点集E2中点进行核密度估计,去除孤立点;
剖分模块,用于对所述预测终点集E2中剩余终点进行三角剖分形成网格结构;
填充模块,用于对所述网格结构进行体素化和空洞填充;
重建模块,用于对体素化后的模型表面薄化重建肾脏表面。
6.一种基于动态边缘预测的核磁共振影像中肾脏分离装置,其特征在于,包括:
确定模块,用于确定方向集D={d1,d2,…,dM},其中,所述方向集D中包含的元素为将单位球方位角和极角均分后,单位球上每个方向对应的向量;
训练模块,用于训练动态边缘预测网络,所述动态边缘预测网络的输入是终点集对应图像强度值,输出是该终点集中每个点距离肾脏边缘的距离;
预测模块,用于获取待预测肾脏核磁共振影像,利用训练好的动态边缘预测网络预测所述待预测肾脏核磁共振影像中的肾部边界;
重建模块,用于基于最终预测得到的终点集三维重建肾脏表面;
其中:
所述训练模块通过如下方式训练动态边缘预测网络:
所述训练模块,具体用于将现有带标注的肾脏核磁共振影像集合按预设比例划分为训练集和测试集,每一套医学影像形成一个尺寸为Hx*Hy*Hz大小的训练矩阵C,其中,所述训练矩阵C中每个元素储存体素(x,y,z)到边界的距离;对于每套肾脏核磁共振影像,随机采样形成训练种子点集P={p1,p2,…,pN};构建形状为n*m的训练距离矩阵R1,所述训练距离矩阵R1中每个元素rij为方向j上距离第i个枢点的距离,将所有距离初始化为预设值;构建训练终点集E1,所述训练终点集E1中每个元素eij=pi+rij*dm;构建形状为n*m的训练终点强度矩阵I1,所述训练终点强度矩阵I1中每个元素iij为核磁共振图像中终点eij对应体素的强度值;将所述训练终点强度矩阵I1输入预先构建的动态边缘预测网络,所述动态边缘预测网络输出与所述训练终点强度矩阵I1相同尺寸的训练矩阵O1,所述训练矩阵O1中每个元素代表该终点距离边界的距离;将所述训练矩阵O1与所述训练矩阵C逐元素计算平方损失,并将损失反传给所述动态边缘预测网络,更新所述训练距离矩阵R1,所述训练终点集E1和所述训练终点强度矩阵I1;直至执行本步骤预设第一次数,得到所述训练好的动态边缘预测网络。
7.根据权利要求6所述的装置,其特征在于,所述训练模块通过如下方式利用训练好的动态边缘预测网络预测所述待预测肾脏核磁共振影像中的肾部边界:
所述训练模块,具体用于初始化形状为N*M的预测距离矩阵R2,所述预测距离矩阵R2中每个元素为rij为方向j上距离第i个枢点的距离;在所述待预测肾脏核磁共振影像上随机采样n个种子点,依据所述方向集D,以及初始化的所述预测距离矩阵R2,形成预测终点集E2,每个预测终点集E2对应的图像强度值形成尺寸为n*m的预测终点强度矩阵I2;将所述预测终点强度矩阵I2输入所述训练好的动态边缘预测网络,得到同样尺寸的预测矩阵O2,所述预测矩阵O2中每个元素代表对应终点距离边界的长度;利用所述预测矩阵O2更新所述预测距离矩阵R2,进行对应元素相加,并同时更新所述预测终点集E2和所述预测终点强度矩阵I2;直至执行本步骤预设第二次数,或者所述预测矩阵O2内元素小于预设阈值。
8.根据权利要求6所述的装置,其特征在于,所述重建模块通过如下方式基于最终预测得到的终点集三维重建肾脏表面:
所述重建模块,具体用于对所述预测终点集E2中点进行核密度估计,去除孤立点;对所述预测终点集E2中剩余终点进行三角剖分形成网格结构;对所述网格结构进行体素化和空洞填充;对体素化后的模型表面薄化重建肾脏表面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155718.3A CN111563875B (zh) | 2020-03-09 | 2020-03-09 | 基于动态边缘预测的核磁共振影像中肾脏分离方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155718.3A CN111563875B (zh) | 2020-03-09 | 2020-03-09 | 基于动态边缘预测的核磁共振影像中肾脏分离方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563875A CN111563875A (zh) | 2020-08-21 |
CN111563875B true CN111563875B (zh) | 2023-08-01 |
Family
ID=72071424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010155718.3A Active CN111563875B (zh) | 2020-03-09 | 2020-03-09 | 基于动态边缘预测的核磁共振影像中肾脏分离方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563875B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091686A (zh) * | 2021-11-04 | 2023-05-09 | 索尼集团公司 | 用于三维重建的方法、系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016120869A1 (en) * | 2015-01-26 | 2016-08-04 | Biosensors International Group, Ltd. | Systems and methods for medical image registration |
CN106204733A (zh) * | 2016-07-22 | 2016-12-07 | 青岛大学附属医院 | 肝脏和肾脏ct图像联合三维构建系统 |
CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10600185B2 (en) * | 2017-03-08 | 2020-03-24 | Siemens Healthcare Gmbh | Automatic liver segmentation using adversarial image-to-image network |
-
2020
- 2020-03-09 CN CN202010155718.3A patent/CN111563875B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016120869A1 (en) * | 2015-01-26 | 2016-08-04 | Biosensors International Group, Ltd. | Systems and methods for medical image registration |
CN106204733A (zh) * | 2016-07-22 | 2016-12-07 | 青岛大学附属医院 | 肝脏和肾脏ct图像联合三维构建系统 |
CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
Non-Patent Citations (2)
Title |
---|
Deep Distance Transform for Tubular Structure Segmentation in CT Scans;Yan Wang etc.;arXiv:1912.03383v1;第1、3节 * |
基于3D卷积神经网络的肝脏自动分割方法;何兰;吴倩;;中国医学物理学杂志(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111563875A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984535B2 (en) | Systems and methods for anatomic structure segmentation in image analysis | |
EP3767521A1 (en) | Object detection and instance segmentation of 3d point clouds based on deep learning | |
Digne et al. | Scale space meshing of raw data point sets | |
CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
CN110807788A (zh) | 医学图像处理方法、装置、电子设备及计算机存储介质 | |
US9299145B2 (en) | Image segmentation techniques | |
CN112307991A (zh) | 一种图像识别方法、装置及存储介质 | |
CN111681204B (zh) | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN111563875B (zh) | 基于动态边缘预测的核磁共振影像中肾脏分离方法及装置 | |
CN114972382A (zh) | 一种基于轻量级UNet++网络的脑肿瘤分割算法 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN116563096B (zh) | 用于图像配准的形变场的确定方法、装置以及电子设备 | |
US12026885B2 (en) | Method and system for automated segmentation of biological object parts in MRI | |
CN115546270A (zh) | 多尺度特征融合的图像配准方法、模型训练方法及设备 | |
Vetsch et al. | Neuralmeshing: Differentiable meshing of implicit neural representations | |
CN114586065A (zh) | 用于分割图像的方法和系统 | |
CN115953440B (zh) | 医学图像的配准方法和装置、存储介质及电子设备 | |
Möllenhoff et al. | Efficient convex optimization for minimal partition problems with volume constraints | |
Spurek et al. | Modeling 3D surfaces with a locally conditioned atlas | |
Carvalho et al. | Hybrid color segmentation method using a customized nonlinear similarity function | |
CN114782768A (zh) | 预训练网络模型的训练方法、医学图像处理方法和设备 | |
Heidari | Quantum Annealing in Computer Vision | |
CN114612701A (zh) | 一种基于广谱特征的域泛化立体匹配方法 |
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 |