CN111652886B - 一种基于改进U-net网络的肝肿瘤分割方法 - Google Patents
一种基于改进U-net网络的肝肿瘤分割方法 Download PDFInfo
- Publication number
- CN111652886B CN111652886B CN202010374731.8A CN202010374731A CN111652886B CN 111652886 B CN111652886 B CN 111652886B CN 202010374731 A CN202010374731 A CN 202010374731A CN 111652886 B CN111652886 B CN 111652886B
- Authority
- CN
- China
- Prior art keywords
- liver
- network
- net
- segmentation
- improved
- 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.)
- Expired - Fee Related
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 112
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 65
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 57
- 210000004185 liver Anatomy 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000003187 abdominal effect Effects 0.000 claims abstract description 6
- 210000005228 liver tissue Anatomy 0.000 claims abstract description 6
- 210000001015 abdomen Anatomy 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 39
- 238000003709 image segmentation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007674 radiofrequency ablation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 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
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/10081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于改进U‑net网络的肝肿瘤分割方法，包括：步骤一、获取腹部CT数据集，并进行预处理操作；步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；步骤三、对基于改进U‑net的肝脏分割网络进行训练；步骤四、基于Keras深度学习框架搭建基于改进U‑net的肝肿瘤分割网络，并且对网络进行训练；步骤五、采用基于改进U‑net的肝脏分割网络从腹部肝脏CT图像中分割出肝脏区域，并从肝脏区域分割出肿瘤和正常肝脏组织。本发明除了可以消除大量的误分割之外，还可以降低网络模型的复杂度。
Description
技术领域
本发明涉及一种基于改进U-net网络的肝肿瘤分割方法，属于一种肝肿瘤的分割方法领域。
背景技术
近年发展起来的经皮射频消融(Radio Frequency Ablation，RFA)技术是目前应用最广泛的局部微创治疗肝肿瘤的方法。经皮射频消融技术要求精准的切除肝脏肿瘤病变区域，保证好的肝脏非病变区域的完整性，减少手术过程中的病人的出血量和因为手术受到的创伤，给予患者最好的手术治疗效果和术后的恢复效果。
随着现代医学成像技术的发展，先后出现了计算机断层扫描(CT)，核磁共振成像(MRI)，超声(US)等医学成像技术。医学图像分割技术起到了巨大的作用。在目前的医疗诊断中，人工对一些医学图像进行分割所达到的效果是最佳的。这种手动分割方法有一个比较明显的劣势，就是很耗费时间和精力。而且手动分割不具有可重复性，医生的经验和医学水平都会导致分割效果产生差异。对同一个医生而言，两次的分割结果也很有可能不一致。这些对后续的医学图像处理产生一定不好的影响。
考虑到手动分割的种种不足，人们一直在渴望有一种高效方便的、实用简单的、具有可重复性的、可以精确地全自动分割医学图像的研究方法的出现，可以取代费时费力的手动分割方法。全自动分割医学图像的方法有助于提升现代的医疗水平，帮助医生对病人做出更全面的诊断和进一步的治疗，而且提高医生的工作效率，极大的提高手术准确性与安全性。
目前肝脏与肝脏肿瘤分割的难点主要体现在，由于肝脏和其他邻近器官之间的强度差异较小，肿瘤本身也是大小不一，形状各式各样，位置复杂多变的。而且肿瘤的边界与正常组织的边界比较相似，不太好区分边界，而且相同的病灶区域经常存在较大的影像差异，有低密度和不均匀的现象，以及不同的设备采集到的医学图像也是参差不齐。医学图像的噪声，局部模糊以及边际影像渗透，这就使得肝脏肿瘤的分割也越来越难。因此基于CT图像的肝肿瘤分割是一项具有挑战性的任务。
医学图像的分割方法主要分为传统的医学图像分割方法、基于机器学习的医学图像分割方法和基于深度学习的医学图像分割方法。传统的医学图像分割方法不适用于肿瘤分割这样的复杂分割任务，并且基于机器学习的医学图像分割方法比较依赖于手动设计和选择肝肿瘤的特征。因此，基于深度神经网络的医学图像分割被广泛地应用于医学图像处理的领域当中，而且有不错的分割表现。但是分割的精度与分割的内容和采用的深度学习模型有很大的关系。
发明内容
本发明的目的是提出一种基于改进U-net网络的肝肿瘤分割方法，以解决传统的医学图像分割方法和基于机器学习的医学图像分割方法在完成肝肿瘤的分割任务时具有较大的局限性的问题。
一种基于改进U-net网络的肝肿瘤分割方法，包括以下步骤：
步骤一、获取腹部CT数据集，并进行预处理操作；
步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；
步骤三、对基于改进U-net的肝脏分割网络进行训练，所述基于改进U-net的肝脏分割网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；
步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对所述网络进行训练；
步骤五、根据步骤三和步骤四训练好的两个分割网络，采用所述基于改进U-net的肝脏分割网络从腹部肝脏CT图像中分割出肝脏区域，尽可能地将完整的肝脏分割出来，并将肝脏区域作为所述基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织。
进一步的，在步骤一中，具体包括以下步骤：
步骤一一、将原数据集中的图片格式转换为.png，转换后的每张CT图片像素大小为512×512，灰度值范围为0到255之间；
步骤一二、将数据集中的CT图像和对应的mask图像分为训练集、测试集和验证集；
步骤一三、对数据集图像数据做标准化处理，对mask图像做二值化操作，先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理。
进一步的，在步骤二中，具体包括以下步骤：
步骤二一、在U-net网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型；
步骤二二、在原U-net网络模型的基础上加深网络，并在网络中添加残差结构防止网络性能的下降；
步骤二三、使用Keras深度学习框架搭建基于改进U-net的肝脏分割网络。
进一步的，在步骤三中，具体包括以下步骤：
步骤三一、在网络中输入训练集和验证集，使用训练集进行基于Keras搭建好的网络模型的训练，开始基于改进U-net的肝脏分割网络的训练；
步骤三二、验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，提前结束训练，保存训练好的网络模型参数；
步骤三三、在训练结束之后，使用训练好的肝脏分割网络模型来测试数据。
进一步的，在步骤四中，具体包括以下步骤：
步骤四一、使用Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络；
步骤四二、网络中输入进行了预处理的数据集，所述进行了预处理的数据集有训练集、验证集和测试集的CT图像数据集和对应的肝肿瘤的mask图像，重复步骤三，完成基于改进U-net的肝肿瘤分割网络的训练、验证以及测试。
进一步的，在步骤五中，具体包括以下步骤：
步骤五一、对于预处理后的一张CT图像，采用训练好的基于改进U-net的肝脏分割网络进行分割，将CT图像中的肝脏区域分割出来，得到原CT图像对应的肝脏区域的mask图像；
步骤五二、使用肝脏区域的mask图像将原CT图像进行处理，只将肝脏区域内的部分截取出来；
步骤五三、将截取后的CT图像作为输入，采用训练好的基于改进U-net的肝肿瘤分割网络进行分割，得到最终的肝肿瘤分割结果。
本发明的主要优点是：本发明所涉及的基于改进U-net网络的肝肿瘤分割方法，通过两个基于改进U-net的分割网络完成肝肿瘤的分割任务，分别为基于U-net的肝脏分割网络和基于U-net的肝肿瘤分割网络。在对CT图像进行分割的过程中，如果直接对整张CT图像进行分割，那么得出的分割结果会出现比较高的假阳性，即在非肝脏的区域内产生误分割的现象。因此，采用第一个网络从腹部肝脏CT图像中分割出肝脏区域，尽可能的将完整的肝脏分割出来。并将肝脏区域作为第二个网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织。由于肝脏与肝肿瘤之间在特征上存在着巨大的差异，使用两个分割网络可以有更针对性地进行特征提取。这样的算法流程，使得本发明除了可以消除大量的误分割之外，还可以降低网络模型的复杂度。
附图说明
图1是本发明的基于改进U-net网络的肝肿瘤分割方法的方法流程图；
图2是深度神经网络dropout示意图；
图3是深度神经网络残差结构示意图；
图4是基于改进U-net网络的肝肿瘤分割方法与流程的效果示意图。
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。
参照图1所示，本发明提出了一种基于改进U-net网络的肝肿瘤分割方法的一实施例，通过以下步骤实现：
步骤一、获取腹部CT数据集，并进行预处理操作。本发明中所用到的数据集来源于MICCAI2017LiTS比赛数据集；
步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来。需要基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；
步骤三、对基于改进U-net的肝脏分割网络进行训练，网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；
步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对该网络进行训练；
步骤五、根据之前训练好的两个分割网络，采用第一个网络从腹部肝脏CT图像中分割出肝脏区域，尽可能的将完整的肝脏分割出来。并将肝脏区域作为第二个网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织，肝肿瘤分割方法流程如图1所示。
在本部分优选实施例中，步骤一具体包括：
步骤一一、MICCAI2017LiTS比赛数据集中的图片格式为.nii，需要将原数据集中的图片格式转换为.png，转换后的每张CT图片像素大小为512×512，灰度值范围为0到255之间；
步骤一二、需要将数据集中的CT图像和对应的mask图像分为训练集、测试集和验证集。训练集的数据是参与到改进U-net网络模型的训练过程当中的，验证集是在网络模型的训练过程中进行验证的，测试集是在训练结束之后使用训练好的网络模型来测试的；
步骤一三、对数据集图像数据做标准化处理，对mask图像做二值化操作，先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理，因为验证集和测试集的数据集相当于是未来的数据，我们要以统一的标准去处理数据集，同时对训练集的数据做数据增强操作。
在本部分优选实施例中，步骤二具体包括：
步骤二一、由于U-net网络训练过程中所用的训练数据量较小，会导致网络的过拟合现象。需要在网络中添加一些dropout层来减轻这个过拟合现象，泛化整个训练模型，如图2所示。其中dropout概率选择在0.2到0.5，可以依据网络结构设定；
步骤二二、为了提升肝脏分割网络的分割精度，需要在原U-net网络模型的基础上加深网络。但当网络模型层次加深时，可能会发生梯度弥散甚至梯度爆炸，导致错误率提高。所以需要在网络中添加残差结构防止网络性能的下降，残差结构如图3所示；
步骤二三、使用Keras深度学习框架来搭建基于改进U-net的肝脏分割网络，搭建好的网络结构如表1所示。Keras将网络的各个层、损失函数、优化函数、激活函数都做成一个个独立的模块，用户可以按照需求搭建自己的网络。
表1
在本部分优选实施例中，步骤三具体包括：
步骤三一、在网络中输入训练集和验证集，使用训练集进行基于Keras搭建好的网络模型的训练，开始基于改进U-net的肝脏分割网络的训练；
步骤三二、验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，提前结束训练，保存训练好的网络模型参数；
步骤三三、在训练结束之后，使用训练好的肝脏分割网络模型来测试数据。
在本部分优选实施例中，步骤四具体包括：
步骤四一、使用Keras深度学习框架来搭建基于改进U-net的肝肿瘤分割网络，搭建好的网络结构如表2所示；
表2
步骤四二、网络中输入进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝肿瘤的mask图像。重复步骤三，完成基于改进U-net的肝肿瘤分割网络的训练、验证以及测试。
在本部分优选实施例中，步骤五具体包括：
步骤五一、对于预处理后的一张CT图像，采用训练好的基于改进U-net的肝脏分割网络进行分割，将CT图像中的肝脏区域分割出来，得到原CT图像对应的肝脏区域的mask图像；
步骤五二、使用肝脏区域的mask图像将原CT图像进行处理，只将肝脏区域内的部分截取出来；
步骤五三、将截取后的CT图像作为输入，采用训练好的基于改进U-net的肝肿瘤分割网络进行分割，得到最终的肝肿瘤分割结果，如图4所示。
以下结合具体实施例，对本发明进行了详细说明。
根据图1、图2、图3、图4以及表1、表2所示，本发明提供一种基于改进U-net网络的肝肿瘤分割方法的一实施例，包括以下步骤：
步骤一、获取腹部CT数据集，并进行预处理操作。本发明中所用到的数据集来源于MICCAI2017LiTS比赛数据集；
将MICCAI2017LiTS比赛数据集中的图片格式从.nii转换为.png，转换后的每张CT图片像素大小为512×512，灰度值范围为0到255之间；
将数据集中的CT图像和对应的mask图像分为训练集、测试集和验证集；
对数据集图像数据做标准化处理，对mask图像做二值化操作，先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理，同时对训练集的数据做数据增强操作。
步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来。需要基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；
首先在网络中添加一些dropout层来减轻过拟合现象，泛化整个训练模型，dropout的结构如图2所示，其中dropout概率选择了0.5；
其次为了提升肝脏分割网络的分割精度，需要在原U-net网络模型的基础上加深网络。但需要在网络中添加残差结构防止网络加深时导致的网络性能下降，残差结构如图3所示；
使用Keras深度学习框架来搭建基于改进U-net的肝脏分割网络，搭建好的网络结构如表1所示。其中损失函数选用binary_crossentropy，优化函数选用Adam，激活函数选用ReLU。
步骤三、对基于改进U-net的肝脏分割网络进行训练，网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；
在网络中输入训练集和验证集，使用训练集进行基于Keras搭建好的网络模型的训练，开始基于改进U-net的肝脏分割网络的训练；
验证集用于网络模型在训练过程中的验证工作，当找到合适的学习轮次之后，提前结束训练，保存训练好的网络模型参数；
在训练结束之后，使用训练好的肝脏分割网络模型来测试数据。
步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对该网络进行训练；
使用Keras深度学习框架来搭建基于改进U-net的肝肿瘤分割网络，搭建好的网络结构如表2所示；
网络中输入进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝肿瘤的mask图像。重复步骤3，完成基于改进U-net的肝肿瘤分割网络的训练、验证以及测试。
步骤五、根据之前训练好的两个分割网络，采用第一个网络从腹部肝脏CT图像中分割出肝脏区域，尽可能的将完整的肝脏分割出来。并将肝脏区域作为第二个网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织，肝肿瘤分割方法流程如图1所示；
对于预处理后的一张CT图像，采用训练好的基于改进U-net的肝脏分割网络进行分割，将CT图像中的肝脏区域分割出来，得到原CT图像对应的肝脏区域的mask图像；
使用肝脏区域的mask图像将原CT图像进行处理，只将肝脏区域内的部分截取出来；
将截取后的CT图像作为输入，采用训练好的基于改进U-net的肝肿瘤分割网络进行分割，得到最终的肝肿瘤分割结果，如图4所示。
以上仅是一种基于改进U-net网络的肝肿瘤分割方法与流程的优选实施方式，一种基于改进U-net网络的肝肿瘤分割方法与流程的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。
Claims (5)
1.一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，包括以下步骤：
步骤一、获取腹部CT数据集，并进行预处理操作；
步骤二、在对肝肿瘤分割前，首先将肝脏区域分割出来，基于Keras深度学习框架搭建肝脏分割的神经网络，后端选择的是tensorflow；
步骤三、对基于改进U-net的肝脏分割网络进行训练，所述基于改进U-net的肝脏分割网络中输入的是进行了预处理的数据集，有训练集、验证集和测试集的CT图像数据集和对应的肝脏区域的mask图像；
步骤四、基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络，并且对所述基于改进U-net的肝肿瘤分割网络进行训练；
步骤五、根据步骤三和步骤四训练好的两个分割网络，采用所述基于改进U-net的肝脏分割网络从腹部肝脏CT图像中分割出肝脏区域，将完整的肝脏分割出来，并将肝脏区域作为所述基于Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络的输入，从肝脏区域分割出肿瘤和正常肝脏组织，
在步骤二中，具体包括以下步骤：
步骤二一、在U-net网络中添加若干dropout层来减轻过拟合现象，泛化整个训练模型；
步骤二二、在原U-net网络模型的基础上加深网络，并在网络中添加残差结构防止网络性能的下降；
步骤二三、使用Keras深度学习框架搭建基于改进U-net的肝脏分割网络。
2.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤一中，具体包括以下步骤：
步骤一一、将原数据集中的图片格式转换为.png，转换后的每张CT图片像素大小为512×512，灰度值范围为0到255之间；
步骤一二、将数据集中的CT图像和对应的mask图像分为训练集、测试集和验证集；
步骤一三、对数据集图像数据做标准化处理，对mask图像做二值化操作，先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理。
3.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤三中，具体包括以下步骤：
步骤三一、在网络中输入训练集和验证集，使用训练集进行基于Keras搭建好的网络模型的训练，开始基于改进U-net的肝脏分割网络的训练；
步骤三二、验证集用于网络模型在训练过程中的验证工作，当找到学习轮次之后，提前结束训练，保存训练好的网络模型参数；
步骤三三、在训练结束之后，使用训练好的肝脏分割网络模型来测试数据。
4.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤四中，具体包括以下步骤：
步骤四一、使用Keras深度学习框架搭建基于改进U-net的肝肿瘤分割网络；
步骤四二、网络中输入进行了预处理的数据集，所述进行了预处理的数据集有训练集、验证集和测试集的CT图像数据集和对应的肝肿瘤的mask图像，重复步骤三，完成基于改进U-net的肝肿瘤分割网络的训练、验证以及测试。
5.根据权利要求1所述的一种基于改进U-net网络的肝肿瘤分割方法，其特征在于，在步骤五中，具体包括以下步骤：
步骤五一、对于预处理后的一张CT图像，采用训练好的基于改进U-net的肝脏分割网络进行分割，将CT图像中的肝脏区域分割出来，得到原CT图像对应的肝脏区域的mask图像；
步骤五二、使用肝脏区域的mask图像将原CT图像进行处理，只将肝脏区域内的部分截取出来；
步骤五三、将截取后的CT图像作为输入，采用训练好的基于改进U-net的肝肿瘤分割网络进行分割，得到最终的肝肿瘤分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010374731.8A CN111652886B (zh) | 2020-05-06 | 2020-05-06 | 一种基于改进U-net网络的肝肿瘤分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010374731.8A CN111652886B (zh) | 2020-05-06 | 2020-05-06 | 一种基于改进U-net网络的肝肿瘤分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652886A CN111652886A (zh) | 2020-09-11 |
| CN111652886B true CN111652886B (zh) | 2022-07-22 |
Family
ID=72342505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010374731.8A Expired - Fee Related CN111652886B (zh) | 2020-05-06 | 2020-05-06 | 一种基于改进U-net网络的肝肿瘤分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652886B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112241766B (zh) * | 2020-10-27 | 2023-04-18 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
| CN113269747B (zh) * | 2021-05-24 | 2023-06-13 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
| CN114419111A (zh) * | 2021-11-26 | 2022-04-29 | 复影(上海)医疗科技有限公司 | 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853038A (zh) * | 2019-10-15 | 2020-02-28 | 哈尔滨工程大学 | 一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法 |
| CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3516566A1 (en) * | 2016-09-22 | 2019-07-31 | nference, inc. | Systems, methods, and computer readable media for visualization of semantic information and inference of temporal signals indicating salient associations between life science entities |
| US10600184B2 (en) * | 2017-01-27 | 2020-03-24 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
| WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| CA3041140C (en) * | 2018-04-26 | 2021-12-14 | NeuralSeg Ltd. | Systems and methods for segmenting an image |
| US10817758B2 (en) * | 2018-06-20 | 2020-10-27 | International Business Machines Corporation | Framework for integrating deformable modeling with 3D deep neural network segmentation |
| US11164067B2 (en) * | 2018-08-29 | 2021-11-02 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing a multi-resolution neural network for use with imaging intensive applications including medical imaging |
| CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
| CN110570432A (zh) * | 2019-08-23 | 2019-12-13 | 北京工业大学 | 一种基于深度学习的ct图像肝脏肿瘤分割方法 |
-
2020
- 2020-05-06 CN CN202010374731.8A patent/CN111652886B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853038A (zh) * | 2019-10-15 | 2020-02-28 | 哈尔滨工程大学 | 一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法 |
| CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割系统、方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652886A (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652886B (zh) | 一种基于改进U-net网络的肝肿瘤分割方法 | |
| CN109035197B (zh) | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 | |
| CN110782474B (zh) | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 | |
| US10679352B2 (en) | Method for automatic segmentation of brain tumors merging full convolution neural networks with conditional random fields | |
| WO2022047625A1 (zh) | 一种图像处理方法、系统和计算机存储介质 | |
| CN110321920A (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
| CN108364294B (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
| CN110648337A (zh) | 髋关节分割方法、装置、电子设备和存储介质 | |
| CN109754404A (zh) | 一种基于多注意力机制的端到端的肿瘤分割方法 | |
| CN110070540B (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
| CN106600571A (zh) | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 | |
| Zhang et al. | Prostate segmentation using Z-Net | |
| CN113469945B (zh) | 基于ct与mri显像融合的骶神经建模方法及系统 | |
| Wang et al. | Functional and anatomical image fusion based on gradient enhanced decomposition model | |
| CN113706409A (zh) | 基于人工智能的cbct图像增强方法、装置和存储介质 | |
| CN113435481A (zh) | 一种基于生成对抗网络的肝脏肿瘤图像增广方法 | |
| CN114820663B (zh) | 用于确定射频消融治疗的辅助定位方法 | |
| CN112614093A (zh) | 基于多尺度空间注意力网络的乳腺病理图像分类方法 | |
| CN104766304B (zh) | 一种基于多序列医学图像的血管配准方法 | |
| CN110458842A (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 | |
| Kanagaraj et al. | Pulmonary Tumor Detection by virtue of GLCM | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| CN117576123A (zh) | 一种心血管ct图像数据分割检测方法 | |
| CN113160208A (zh) | 一种基于级联混合网络的肝脏病变图像分割方法 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220722 |