CN111784653B - 基于形状约束的多尺度网络mri胰腺轮廓定位方法 - Google Patents
基于形状约束的多尺度网络mri胰腺轮廓定位方法 Download PDFInfo
- Publication number
- CN111784653B CN111784653B CN202010594321.4A CN202010594321A CN111784653B CN 111784653 B CN111784653 B CN 111784653B CN 202010594321 A CN202010594321 A CN 202010594321A CN 111784653 B CN111784653 B CN 111784653B
- Authority
- CN
- China
- Prior art keywords
- layer
- feature extraction
- network
- 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.)
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/10088—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法,主要解决现有技术在MRI图像对比度低和样本不均衡情况下对胰腺图像分割困难的问题。本发明的技术方案为:(1)生成训练集和标注集;(2)预训练U‑net网络;(3)构建多尺度网络;(4)训练形状约束网络;(5)构建形状约束的多尺度网络;(6)训练形状约束的多尺度网络;(7)对MRI图像中胰腺区域进行分割。本发明方法利用了胰腺图像的形状信息,并结合边界和区域信息进行图像分割,可以较好的定位MRI图像中胰腺区域,具有分割精度高的优点,可用于对人体腹部MRI图像中胰腺组织轮廓进行自动定位分割。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像分割技术领域的一种基于形状约束的多尺度网络核磁共振成像MRI(Magnetic Resonance Imaging)胰腺轮廓定位方法。本发明可用于对人体腹部MRI图像中胰腺组织轮廓进行自动定位分割。
背景技术
目前,MRI图像中胰腺自动分割技术主要是基于多器官图谱的分割算法、基于形状模型的分割算法和基于神经网络的分割算法实现的。基于多器官图谱的算法使用多个腹部器官的图谱,采用图像配准进行图像对齐,依靠以前生成的地图集来预测胰腺的边界。基于形状模型的算法通过给出胰腺的形状或大小的指示,更新位于该形状内的像素的胰腺标记概率来实现分割。基于神经网络的算法主要采用卷积神经网络和深度学习,对大量的训练数据进行特征提取和特征学习,利用训练出的模型来定位图像中的胰腺轮廓。基于神经网络的方法是较常用的算法,相较于其他两种算法,它产生了最好的性能,但需要相当长的训练时间和相当大的数据集。由于人体软组织在MRI图像中上呈现出灰度相似性高、成像边缘模糊的特点,加大了MRI图像分割难度。由于在人体腹部中胰腺较之其他器官体积较小,与其周围组织紧密黏连,而且胰腺的形状大小以及在不同的患者腹部中位置千差万别,更进一步增加了MRI图像中胰腺轮廓定位的难度。
Jinzheng Cai等人在其发表的论文“Pancreas Segmentation in MRI UsingGraph-Based Decision Fusion on Convolutional Neural Networks”(Medical ImageComputing and Computer-Assisted Intervention,2017,674-82)中公开了一种基于图的卷积神经网络决策融合算法的MRI胰腺图像分割方法。该方法的主要实现步骤是:首先构造两种卷积神经网络模型(CNN)分别用来进行胰腺检测和边界分割;然后将这两个CNN网络的检测结果融合在一起,作为条件随机场(CRF)框架的初始化,以获得最终的分割输出。该方法存在的不足之处是,所构造的两种卷积神经网络模型(CNN)仅各自用于胰腺检测和边界分割,在网络的训练过程中没有考虑待分割的MRI胰腺图像的局部特征,分割结果往往存在不连续性,容易将MRI图像中的胰腺区域划分为其他区域,影响MRI图像中的胰腺区域的分割准确率。
浙江大学山东工业技术研究院在其申请的专利文献“一种基于多步学习的三维核磁共振胰腺图像分割方法”(申请号CN201811399318.6,公开号CN109636806A)中提出了一种基于多步学习的三维核磁共振胰腺图像分割方法。该方法的主要实现步骤是:步骤1,归一化预处理三维核磁共振图像;步骤2,随机将预处理后的图像分为训练集、验证集和测试集;步骤3,利用分割标注将训练集中包含胰腺的块和对应的标注切出备用;步骤4,压缩原始图像训练一个Q-net模型计算胰腺大致位置;步骤5,使用步骤3中的配对数据预训练另一个P-net模型;步骤6,使用预训练的Q-net产生胰腺的3D位置预测图,选取概率高的图块,映射回原图,分块输入预训练的P-net中合并训练预测胰腺位置;步骤7,使用训练好的分割模型在测试集上进行预测检测效果。该方法存在的不足之处是,压缩原始图像训练一个Q-net模型计算胰腺大致位置时,训练的模型对MRI图像所具有的颜色纹理信息比较敏感,忽略了MRI图像中胰腺的形状信息,导致图像的分割结果没有准确地描绘出MRI图像中胰腺区域的边缘。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法,用于解决在MRI图像对比度低和样本不均衡情况下,提高MRI胰腺图像分割的精度。
实现本发明目的的思路是,根据正电子发射断层扫描PET图像中拟分割胰腺区域的形状先验知识,构建形状约束的多尺度网络,并通过预训练U-net网络进行参数迁移。同时在形状空间上引入一个边界损失函数,结合区域损失函数构造混合损失函数,计算形状约束的多尺度网络的损失值。构建的形状约束的多尺度网络充分利用了胰腺图像的形状信息,并结合边界和区域信息,实现对输入的MRI图像中胰腺组织轮廓进行自动定位分割。
本发明实现的具体步骤包括如下:
(1)生成训练集和标注集:
(1a)分别随机选取不少于80张的核磁共振MRI图像和不少于40张的正电子发射断层扫描PET图像,组成初始MRI训练集和初始PET训练集,每张图像均包含胰腺部位;勾画MRI训练集和PET训练集中每张图像中胰腺部位的轮廓,得到初始MRI标注集和初始PET标注集;
(1b)分别对初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像依次进行扩充和预处理,得到MRI训练集、MRI标注集、PET训练集和PET标注集;
(2)预训练U-net网络:
将PET训练集和PET标注集中的每个图像分别输入到一个25层的U-net网络中,对U-net网络进行训练,保存训练好的U-net网络的权重;
(3)构建多尺度网络:
搭建一个结构为两个分支采用交叉连接方式组成的多尺度网络并设置多尺度网络的每层参数;其中,
第一个分支的结构依次为:输入层→第1多尺度卷积层→第2多尺度卷积层→第3多尺度卷积层→第1特征提取层→第2特征提取层→第1融合层→第1激活函数层→第1反卷积层→第2融合层→第3特征提取层→第4特征提取层→第2反卷积层→第3融合层→第5特征提取层→第6特征提取层→第3反卷积层→第4融合层→第7特征提取层→第8特征提取层→输出层;
第二个分支的结构依次为:输入层→第1特征提取层→第2特征提取层→第1池化层→第3特征提取层→第4特征提取层→第2池化层→第5特征提取层→第6特征提取层;
(4)训练形状约束网络:
将PET标注集中的每个图像输入到一个13层的形状约束网络中,对形状约束网络进行训练,得到训练好的形状约束网络;
(5)构建形状约束的多尺度网络:
将多尺度网络与形状约束网络进行集成,选择使用混合损失函数计算形状约束的多尺度网络的损失值,联合优化形状约束的多尺度网络使其快速收敛:
U(S,S')=αLD(S,S')+(1-α)LB(S,S')+λ1LC(E(S),E(S'))+λ2LD(S,D(S'))
其中,U(·)表示混合损失函数,S表示输入到多尺度网络的MRI训练集中的图像在MRI标注集中对应的图像,S'表示将MRI训练集中的图像输入到多尺度网络的输出图像,α表示初始值为1且随着网络训练递减的参数,LD表示Dice系数损失函数,LB表示边界损失函数,λ1表示取值为0.1的交叉熵损失函数的权重,LC表示交叉熵损失函数,E(S)表示将S输入训练好的形状约束网络中得到的第4层特征提取层的输出图像,E(S')表示将S'输入训练好的形状约束网络中得到的第4层特征提取层的输出图像,λ2表示取值为0.01的Dice系数损失函数的权重,D(S')表示将S'输入训练好的形状约束网络中得到的输出图像;
所述Dice系数损失函数如下:
其中,|·|表示取绝对值操作,∩表示取交集操作;
所述边界损失函数如下:
LB=∫ΩφG(p)sθ(p)dp
其中,∫Ω(·)表示关于集合Ω的不定积分,φG(p)表示点p∈Ω与在S的轮廓G上最近点间的垂直距离,sθ(p)表示输入点p到网络中得到的归一化指数函数值,sθ(p)取值为1时p∈S;
所述交叉熵损失函数如下:
其中,N表示MRI训练集中图像的个数,∑表示求和操作,Si表示输入到多尺度网络的MRI训练集中的第i张图像在MRI标注集中对应的图像,log表示以10为底取对数操作,Si'表示将MRI训练集中的第i张图像输入到多尺度网络的输出图像;
(6)训练形状约束的多尺度网络:
(6a)使用MSRA初始化方法对形状约束的多尺度网络的权重进行初始化,并将偏置初始值设置为0;
(6b)将MRI训练集和MRI标注集中的每个图像输入到形状约束的多尺度网络中,输出MRI胰腺图像的分割结果;
(6c)将训练好的U-net网络的第2层至第9层的权重迁移到形状约束的多尺度网络中第二分支的第2层至第9层中,且在训练过程中保持不变;利用混合损失函数,计算形状约束的多尺度网络的损失值;根据形状约束的多尺度网络的损失值,使用初始学习率为0.0001的Adam优化器对形状约束的多尺度网络第一分支的权重和偏置进行迭代更新,直到形状约束的多尺度网络的损失值接近于0时,得到训练好的形状约束的多尺度网络;
(7)对MRI图像中胰腺区域进行分割:
将待分割的MRI图像输入到训练好的形状约束的多尺度网络中,对输入的MRI图像中胰腺组织轮廓进行自动定位。
本发明与现有技术相比具有如下优点:
第一,本发明利用形状约束网络学习PET图像中胰腺区域的形状先验知识,将形状先验知识集成到多尺度网络中,克服了现有技术没有准确地描绘出MRI图像中胰腺区域的边缘的缺点,使得本发明提高了分割模型的准确性和稳定性。
第二,本发明利用多尺度卷积层对MRI图像胰腺区域进行特征提取,通过同时使用不同大小的卷积核,可获取不同感受野的特征。克服了现有技术容易将图像中胰腺区域划分为其他区域的缺点,使得本发明的分割结果能够得到更加高的灵敏度。
第二,本发明在形状空间上引入一个边界损失函数,并结合区域损失函数构造混合损失函数,克服了现有技术在样本不均衡的情况下对小目标分割困难的缺点,使得本发明能够得到更加准确的分割结果。
附图说明
图1是本发明的流程图;
图2是本发明中构建的U-net网络的结构图;
图3是本发明中构建的多尺度网络的结构图;
图4是本发明中构建的形状约束网络的结构图;
图5是用本发明对MRI图像中胰腺区域进行分割的仿真结果图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参照图1,本发明的具体实现步骤如下。
步骤1,生成训练集和标注集:
分别随机选取不少于80张的核磁共振MRI图像和不少于40张的正电子发射断层扫描PET图像,组成初始MRI训练集和初始PET训练集,每张图像均包含胰腺部位;勾画MRI训练集和PET训练集中每张图像中胰腺部位的轮廓,得到初始MRI标注集和初始PET标注集。
分别对初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像依次进行扩充和预处理,得到MRI训练集、MRI标注集、PET训练集和PET标注集。
所述对初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像依次进行扩充的具体步骤如下:
第一步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像沿水平中轴线上下翻转进行扩充,得到第二组图像。
第二步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像逆时针旋转90度进行扩充,得到第三组图像;再沿水平中轴线上下翻转进行扩充,得到第四组图像。
第三步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像逆时针旋转180度进行扩充,得到第五组图像;再沿水平中轴线上下翻转进行扩充,得到第六组图像。
第四步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像逆时针旋转270度进行扩充,得到第七组图像;再沿水平中轴线上下翻转进行扩充,得到第八组图像。
第五步,将扩充后得到的七组图像和扩充前的图像组成扩充后的MRI训练集、MRI标注集、PET训练集、PET标注集。
所述的预处理是指对扩充后的MRI训练集、MRI标注集、PET训练集、PET标注集中的每张图像进行裁剪和归一化操作,具体步骤如下:
第一步,对扩充后的PET训练集和PET标注集中每张图像的上下左右各裁剪40个像素点,将裁剪后的图像尺寸调整为320*240;对扩充后的MRI训练集和MRI标注集中每张图像上下各裁剪136个像素点、左右各裁剪96个像素点,将裁剪后的图像尺寸调整为320*240。
第二步,按照下式,将裁剪后图像的图像灰度值归一化到区间[0,1]:
其中,Y表示输入图像进行归一化操作后图像的像素值,X表示输入图像的像素值,Xmin表示取值为0的输入图像中的最小像素值,Xmax表示取值为255的输入图像中的最大像素值。
步骤2,预训练U-net网络:
将PET训练集和PET标注集中的每个图像分别输入到一个25层的U-net网络中,对U-net网络进行训练,保存训练好的U-net网络的权重。
参照图2,所述25层的U-net网络的结构依次为:输入层→第1特征提取层→第2特征提取层→第1池化层→第3特征提取层→第4特征提取层→第2池化层→第5特征提取层→第6特征提取层→第3池化层→第7特征提取层→第8特征提取层→dropout层→第1反卷积层→第1融合层→第9特征提取层→第10特征提取层→第2反卷积层→第2融合层→第11特征提取层→第12特征提取层→第3反卷积层→第3融合层→第13特征提取层→第14特征提取层→输出层。
所述输入层采用Input函数实现。
所述每个特征提取层均由1个卷积层和1个激活函数层串联组成,每个卷积层均采用Conv2D函数实现,每个激活函数层均采用ReLU函数实现。
所述每个池化层采用MaxPooling2D函数实现。
所述每个融合层均采用Merge函数实现,第1融合层输出第1反卷积层和第6特征提取层的融合结果;第2融合层输出第2反卷积层和第4特征提取层的融合结果;第3融合层输出第3反卷积层和第2特征提取层的融合结果。
所述输出层采用Sigmoid函数实现。
设置U-net网络的每层参数如下:
将第1特征提取层、第2特征提取层、第13特征提取层、第14特征提取层中卷积层的卷积核个数均设置为64,每个卷积核大小设置为3*3。
将第3特征提取层、第4特征提取层、第11特征提取层、第12特征提取层中卷积层的卷积核个数均设置为128,每个卷积核大小设置为3*3。
将第5特征提取层、第6特征提取层、第9特征提取层、第10特征提取层中卷积层的卷积核个数均设置为256,每个卷积核大小设置为3*3。
将第7特征提取层和第8特征提取层中卷积层的卷积核个数均设置为512,每个卷积核大小设置为3*3。
将第1至第3池化层的每个卷积核大小均设置为2*2。
将dropout层中的概率值设置为0.5。
将第1至第3反卷积层中卷积核的个数依次设置为256、128、64,每个卷积核大小均设置为2*2。
所述对U-net网络进行训练的步骤如下:
第一步,使用MSRA初始化方法,对U-net网络的权重进行初始化,并将偏置初始值设置为0。
第二步,将PET训练集和PET标注集中的每个图像输入到U-net网络中,学习PET图像中胰腺区域的高阶特征表示,输出分割图像。
第三步,利用交叉熵损失函数,计算U-net网络的损失值;根据网络的损失值,使用初始学习率为0.0001的Adam优化器对U-net网络的权重和偏置进行迭代更新,直到U-net网络的损失值接近于0时,得到训练好的U-net网络。
步骤3,构建多尺度网络:
参照图3(a),搭建一个结构为两个分支采用交叉连接方式组成的多尺度网络并设置多尺度网络的每层参数。其中,
第一个分支的结构依次为:输入层→第1多尺度卷积层→第2多尺度卷积层→第3多尺度卷积层→第1特征提取层→第2特征提取层→第1融合层→第1激活函数层→第1反卷积层→第2融合层→第3特征提取层→第4特征提取层→第2反卷积层→第3融合层→第5特征提取层→第6特征提取层→第3反卷积层→第4融合层→第7特征提取层→第8特征提取层→输出层。
第二个分支的结构依次为:输入层→第1特征提取层→第2特征提取层→第1池化层→第3特征提取层→第4特征提取层→第2池化层→第5特征提取层→第6特征提取层。
所述多尺度网络的2个分支采用交叉连接方式如下:
第一分支中的第1特征提取层和第2特征提取层的输出通过第1融合层连接。
第一分支中的第1反卷积层和第3多尺度卷积层的输出分别与第二分支中的第6特征提取层的输出通过第2融合层连接。
第一分支中的第2反卷积层和第2多尺度卷积层的输出分别与第二分支中的第4特征提取层的输出通过第3融合层连接。
第一分支中的第3反卷积层和第1多尺度卷积层的输出分别与第二分支中的第2特征提取层的输出通过第4融合层连接。
所述两个分支的输入层均采用Input函数实现。
所述的每个多尺度卷积层由3个子模块采用交叉连接方式组成,第一个子模块的结构为:第1特征提取层→第2特征提取层;第二个子模块的结构为:第3特征提取层→第4特征提取层;第三个子模块的结构为:池化层→融合层→激活函数层。
所述每个多尺度卷积层由3个子模块采用交叉连接方式如下:第一个子模块中的第2特征提取层和第2个子模块中第4特征提取层的输出分别与第三个子模块中池化层的输出通过融合层连接。针对胰腺的高度可变性这一特点,利用多尺度卷积层对MRI图像胰腺区域进行特征提取,通过同时使用不同大小的卷积核,可获取不同感受野的特征,从而捕获各种形状和大小的胰腺特征,提高分割结果的灵敏度和准确度。
所述每个特征提取层均由1个卷积层和1个激活函数层串联组成;每个卷积层均采用Conv2D函数实现,每个激活函数层均采用ReLU函数实现。
所述每个池化层均采用MaxPooling2D函数实现。
所述每个融合层均采用Merge函数实现。
所述输出层采用Sigmoid函数实现。
所述多尺度网络的每层参数如下:
将多尺度网络第一分支的第1特征提取层中卷积层的卷积核个数设置为512,每个卷积核大小设置为3*3;将第2特征提取层中卷积层的卷积核个数设置为512,每个卷积核大小设置为5*5;将第3至第8特征提取层中卷积层的卷积核个数依次设置为256、256、128、128、64、64,每个卷积核大小均设置为3*3;将第1至第3反卷积层中卷积核的个数依次设置为256、128、64,每个卷积核大小均设置为2*2。
将多尺度网络第二分支的第1至第6特征提取层中卷积层的卷积核个数依次设置为64、64、128、128、256、256,每个卷积核大小均设置为3*3;将第1至第3池化层的每个卷积核大小均设置为2*2。
将第1多尺度卷积层的第1至第4特征提取层中卷积层的卷积核个数均设置为64,每个卷积核大小依次设置为3*3、1*1、3*3、5*5;将池化层的每个卷积核大小均设置为2*2。
将第2多尺度卷积层的第1至第4特征提取层中卷积层的卷积核个数均设置为128,每个卷积核大小依次设置为3*3、1*1、3*3、5*5;将池化层的每个卷积核大小均设置为2*2。
将第3多尺度卷积层的第1特征提取层、第2特征提取层、第3特征提取层、第4特征提取层中卷积层的卷积核个数均设置为256,每个卷积核大小分别设置为3*3、1*1、3*3、5*5;将池化层的每个卷积核大小均设置为2*2。
步骤4,训练形状约束网络:
将PET标注集中的每个图像输入到一个13层的形状约束网络中,对形状约束网络进行训练,得到训练好的形状约束网络。
参照图4,所述13层的形状约束网络的结构依次为:输入层→第1特征提取层→第1池化层→第2特征提取层→第2池化层→第3特征提取层→第3池化层→第4特征提取层→第1反卷积层→第2反卷积层→第3反卷积层→第5特征提取层→输出层。所构造的形状约束网络结构简单,在学习输入图像的潜在表示方面具有很强的优势,用来学习胰腺的形状先验知识。
所述输入层采用Input函数实现。
所述每个特征提取层均由1个卷积层和1个激活函数层串联组成;每个卷积层均采用Conv2D函数实现,每个激活函数层均采用ReLU函数实现。
所述每个池化层均采用MaxPooling2D函数实现。
所述输出层采用Sigmoid函数实现。
设置形状约束网络的每层参数:
将第1至第5特征提取层中卷积层的卷积核个数依次设置为16、32、64、64、2,每个卷积核大小设置均为3*3。
将第1至第3池化层的每个卷积核大小均设置为2*2。
将第1至第3反卷积层中卷积核的个数依次设置为64、32、16,每个卷积核大小均设置为3*3。
所述对形状约束网络进行训练的步骤如下:
第一步,使用MSRA初始化方法,对形状约束网络的权重进行初始化,并将偏置的初始值设置为0。
第二步,将PET标注集中的每个图像输入到形状约束网络中,学习PET图像中胰腺区域的形状先验知识,输出重建后的分割图像。
第三步,利用交叉熵损失函数,计算形状约束网络的损失值;根据网络的损失值,使用初始学习率为0.0001的Adam优化器对形状约束网络的权重和偏置进行迭代更新,直到网络的损失值接近于0时,得到训练好的形状约束网络。
步骤5,构建形状约束的多尺度网络:
将多尺度网络与形状约束网络进行集成,选择使用混合损失函数计算形状约束的多尺度网络的损失值,联合优化形状约束的多尺度网络使其快速收敛:
U(S,S')=αLD(S,S')+(1-α)LB(S,S')+λ1LC(E(S),E(S'))+λ2LD(S,D(S'))
其中,U(·)表示混合损失函数,S表示输入到多尺度网络的MRI训练集中的图像在MRI标注集中对应的图像,S'表示将MRI训练集中的图像输入到多尺度网络的输出图像,α表示初始值为1且随着网络训练递减的参数,LD表示Dice系数损失函数,LB表示边界损失函数,λ1表示取值为0.1的交叉熵损失函数的权重,LC表示交叉熵损失函数,E(S)表示将S输入训练好的形状约束网络中得到的第4层特征提取层的输出图像,E(S')表示将S'输入训练好的形状约束网络中得到的第4层特征提取层的输出图像,λ2表示取值为0.01的Dice系数损失函数的权重,D(S')表示将S'输入训练好的形状约束网络中得到的输出图像。
所述Dice系数损失函数如下:
其中,|·|表示取绝对值操作,∩表示取交集操作。
所述边界损失函数如下:
LB=∫ΩφG(p)sθ(p)dp
其中,∫Ω(·)表示关于集合Ω的不定积分,φG(p)表示点p∈Ω与在S的轮廓G上最近点间的垂直距离,sθ(p)表示输入点p到网络中得到的归一化指数函数值,sθ(p)取值为1时p∈S。
所述交叉熵损失函数如下:
其中,N表示MRI训练集中图像的个数,∑表示求和操作,Si表示输入到多尺度网络的MRI训练集中的第i张图像在MRI标注集中对应的图像,log表示以10为底取对数操作,Si'表示将MRI训练集中的第i张图像输入到多尺度网络的输出图像。
针对在样本不均衡的情况下对小目标分割困难的缺点,在形状空间上引入边界损失函数,以距离度量的形式进行损失计算,补充了区域损失的信息,并结合区域损失函数构造分割损失αLD(S,S')+(1-α)LB(S,S'),提高了分割性能。利用形状约束损失LC(E(S),E(S'))和重构损失LD(S,D(S'))将胰腺区域的形状先验知识集成到多尺度网络,联合优化形状约束的多尺度网络,进一步提高形状约束的多尺度网络对人体腹部MRI图像中胰腺组织轮廓的预测精度,可以更好的保持胰腺边界。
步骤6,训练形状约束的多尺度网络:
使用MSRA初始化方法对形状约束的多尺度网络的权重进行初始化,并将偏置初始值设置为0。
将MRI训练集和MRI标注集中的每个图像输入到形状约束的多尺度网络中,输出MRI胰腺图像的分割结果。
将训练好的U-net网络的第2层至第9层的权重迁移到形状约束的多尺度网络中第二分支的第2层至第9层中,且在训练过程中保持不变,更新形状约束的多尺度网络的初始权重,共享来自PET图像胰腺区域的互补特征,充分利用先验信息。利用混合损失函数,计算形状约束的多尺度网络的损失值;根据形状约束的多尺度网络的损失值,使用初始学习率为0.0001的Adam优化器对形状约束的多尺度网络第一分支的权重和偏置进行迭代更新,直到形状约束的多尺度网络的损失值接近于0时,得到训练好的形状约束的多尺度网络。
步骤7,对MRI图像中胰腺区域进行分割:
将待分割的MRI图像输入到训练好的形状约束的多尺度网络中,对输入的MRI图像中胰腺组织轮廓进行自动定位。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真试验的硬件平台为:处理器为Intel Core i7-8700K CPU,主频为3.7GHz,内存64GB。
本发明的仿真实验的软件平台为:Windows 10操作系统,使用Python3.6、keras2.2.4、tensorflow1.8.0构建与训练神经网络模型,Nvidia 1070GPU、Cuda 9.0、Cudnn v7进行加速。
2.仿真内容及其结果分析:
本发明仿真实验是采用本发明和现有技术U-Net分割方法分别对输入的MRI图像中胰腺组织轮廓进行自动定位分割,获得分割结果图。
在仿真实验中,现有技术U-Net分割方法是指,Olaf Ronneberger等人在“U-Net:Convolutional Networks for Biomedical Image Segmentation,Medical ImageComputing and Computer-Assisted Intervention,2015,234-241”中提出的医学图像分割方法,简称U-Net分割方法。
本发明仿真实验所使用的输入图像为包含胰腺部位的核磁共振MRI图像,由PET/MRI一体扫描仪对人体腹部进行横断方向扫描获取,MRI图像尺寸为512×512。
下面结合图5的仿真图对本发明的效果做进一步的描述。
图5(a)为输入的人体腹部MRI图像,图5(b)为对MRI图像中的胰腺轮廓进行勾画得到的人工标注结果图,图5(c)为采用现有技术U-Net分割方法,对输入的MRI图像中胰腺组织轮廓进行定位分割的结果图,图5(d)为利用本发明的方法,对输入的MRI图像中胰腺组织轮廓进行定位分割的结果图。
由图5(d)可以看出,本发明的分割结果相比于现有技术U-Net分割方法的分割结果,边缘平滑性较好,可以更好的保持胰腺边界,没有过多的将其他区域划分为胰腺区域,对胰腺组织轮廓定位分割的准确性较高,证明本发明的分类效果优于现有技术U-Net分割方法。
利用两个评价指标(Dice系数和Jaccard系数)分别对两种方法的分割结果进行评价。利用下面公式,计算Dice系数和Jaccard系数,将所有计算结果绘制成表1:
其中,|S'|表示实际分割结果S'的像素个数,|S|表示理想输出结果S的像素个数。|S∩S'|表示S'和S重叠区域的像素个数,|S∪S'|表示S'和S总区域的像素个数。
Dice系数和Jaccard系数的取值范围均为[0,1],指标值越接近1代表实际分割结果与理想输出结果越接近,两个轮廓区域的相似程度越高,网络的分割效果越好。
表1.仿真实验中本发明和现有技术分割结果的定量分析表
Dice(%) | Jaccard(%) | |
U-Net | 0.75 | 0.61 |
本发明方法 | 0.84 | 0.73 |
根据公式分别计算两种方法分割结果的平均Dice系数和平均Jaccard系数,结合表1可以看出,本发明方法的平均Dice系数为87%,平均Jaccard系数为73%,这两个指标均高于现有技术U-Net分割方法的两个指标,根据以上结果定量的说明了本发明方法分割结果优于现有技术U-Net分割方法的分割结果,证明本发明可以得到更高的MRI胰腺图像分割精度。
Claims (9)
1.一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,构建U-net网络和基于形状约束的多尺度网络,利用生成的PET图像训练集和MRI图像训练集对U-net网络和基于形状约束的多尺度网络进行训练;该方法的具体步骤包括如下:
(1)生成训练集和标注集:
(1a)分别随机选取不少于80张的核磁共振MRI图像和不少于40张的正电子发射断层扫描PET图像,组成初始MRI训练集和初始PET训练集,每张图像均包含胰腺部位;勾画MRI训练集和PET训练集中每张图像中胰腺部位的轮廓,得到初始MRI标注集和初始PET标注集;
(1b)分别对初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像依次进行扩充和预处理,得到MRI训练集、MRI标注集、PET训练集和PET标注集;
(2)预训练U-net网络:
将PET训练集和PET标注集中的每个图像分别输入到一个25层的U-net网络中,对U-net网络进行训练,保存训练好的U-net网络的权重;
(3)构建多尺度网络:
搭建一个结构为两个分支采用交叉连接方式组成的多尺度网络并设置多尺度网络的每层参数;其中,
第一个分支的结构依次为:输入层→第1多尺度卷积层→第2多尺度卷积层→第3多尺度卷积层→第1特征提取层→第2特征提取层→第1融合层→第1激活函数层→第1反卷积层→第2融合层→第3特征提取层→第4特征提取层→第2反卷积层→第3融合层→第5特征提取层→第6特征提取层→第3反卷积层→第4融合层→第7特征提取层→第8特征提取层→输出层;
第二个分支的结构依次为:输入层→第1特征提取层→第2特征提取层→第1池化层→第3特征提取层→第4特征提取层→第2池化层→第5特征提取层→第6特征提取层;
所述两个分支的输入层均采用Input函数实现;
所述的每个多尺度卷积层由3个子模块采用交叉连接方式组成,第一个子模块的结构为:第1特征提取层→第2特征提取层;第二个子模块的结构为:第3特征提取层→第4特征提取层;第三个子模块的结构为:池化层→融合层→激活函数层;
所述每个特征提取层均由1个卷积层和1个激活函数层串联组成;每个卷积层均采用Conv2D函数实现,每个激活函数层均采用ReLU函数实现;
所述每个池化层均采用MaxPooling2D函数实现;
所述每个融合层均采用Merge函数实现;
所述输出层采用Sigmoid函数实现;
(4)训练形状约束网络:
将PET标注集中的每个图像输入到一个13层的形状约束网络中,对形状约束网络进行训练,得到训练好的形状约束网络;
(5)构建形状约束的多尺度网络:
将多尺度网络与形状约束网络进行集成,选择使用混合损失函数计算形状约束的多尺度网络的损失值,联合优化形状约束的多尺度网络使其快速收敛:
U(S,S')=αLD(S,S')+(1-α)LB(S,S')+λ1LC(E(S),E(S'))+λ2LD(S,D(S'))
其中,U(·)表示混合损失函数,S表示输入到多尺度网络的MRI训练集中的图像在MRI标注集中对应的图像,S'表示将MRI训练集中的图像输入到多尺度网络的输出图像,α表示初始值为1且随着网络训练递减的参数,LD表示Dice系数损失函数,LB表示边界损失函数,λ1表示取值为0.1的交叉熵损失函数的权重,LC表示交叉熵损失函数,E(S)表示将S输入训练好的形状约束网络中得到的第4层特征提取层的输出图像,E(S')表示将S'输入训练好的形状约束网络中得到的第4层特征提取层的输出图像,λ2表示取值为0.01的Dice系数损失函数的权重,D(S')表示将S'输入训练好的形状约束网络中得到的输出图像;
所述Dice系数损失函数如下:
其中,|·|表示取绝对值操作,∩表示取交集操作;
所述边界损失函数如下:
LB=∫ΩφG(p)sθ(p)dp
其中,∫Ω(·)表示关于集合Ω的不定积分,φG(p)表示点p∈Ω与在S的轮廓G上最近点间的垂直距离,sθ(p)表示输入点p到网络中得到的归一化指数函数值,sθ(p)取值为1时p∈S;
所述交叉熵损失函数如下:
其中,N表示MRI训练集中图像的个数,∑表示求和操作,Si表示输入到多尺度网络的MRI训练集中的第i张图像在MRI标注集中对应的图像,log表示以10为底取对数操作,Si'表示将MRI训练集中的第i张图像输入到多尺度网络的输出图像;
(6)训练形状约束的多尺度网络:
(6a)使用MSRA初始化方法对形状约束的多尺度网络的权重进行初始化,并将偏置初始值设置为0;
(6b)将MRI训练集和MRI标注集中的每个图像输入到形状约束的多尺度网络中,输出MRI胰腺图像的分割结果;
(6c)将训练好的U-net网络的第2层至第9层的权重迁移到形状约束的多尺度网络中第二分支的第2层至第9层中,且在训练过程中保持不变;利用混合损失函数,计算形状约束的多尺度网络的损失值;根据形状约束的多尺度网络的损失值,使用初始学习率为0.0001的Adam优化器对形状约束的多尺度网络第一分支的权重和偏置进行迭代更新,直到形状约束的多尺度网络的损失值接近于0时,得到训练好的形状约束的多尺度网络;
(7)对MRI图像中胰腺区域进行分割:
将待分割的MRI图像输入到训练好的形状约束的多尺度网络中,对输入的MRI图像中胰腺组织轮廓进行自动定位。
2.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(1b)中所述对初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像依次进行扩充的具体步骤如下:
第一步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像沿水平中轴线上下翻转进行扩充,得到第二组图像;
第二步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像逆时针旋转90度进行扩充,得到第三组图像;再沿水平中轴线上下翻转进行扩充,得到第四组图像;
第三步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像逆时针旋转180度进行扩充,得到第五组图像;再沿水平中轴线上下翻转进行扩充,得到第六组图像;
第四步,将初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像逆时针旋转270度进行扩充,得到第七组图像;再沿水平中轴线上下翻转进行扩充,得到第八组图像;
第五步,将扩充后得到的七组图像和扩充前的图像组成扩充后的MRI训练集、MRI标注集、PET训练集、PET标注集。
3.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(1b)中所述的预处理是指对扩充后的MRI训练集、MRI标注集、PET训练集、PET标注集中的每张图像进行裁剪和归一化操作,具体步骤如下:
第一步,对扩充后的PET训练集和PET标注集中每张图像的上下左右各裁剪40个像素点,将裁剪后的图像尺寸调整为320*240;对扩充后的MRI训练集和MRI标注集中每张图像上下各裁剪136个像素点、左右各裁剪96个像素点,将裁剪后的图像尺寸调整为320*240;
第二步,按照下式,将裁剪后图像的图像灰度值归一化到区间[0,1]:
其中,Y表示输入图像进行归一化操作后图像的像素值,X表示输入图像的像素值,Xmin表示取值为0的输入图像中的最小像素值,Xmax表示取值为255的输入图像中的最大像素值。
4.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(2)中所述25层的U-net网络的结构与参数如下:
U-net网络的结构依次为:输入层→第1特征提取层→第2特征提取层→第1池化层→第3特征提取层→第4特征提取层→第2池化层→第5特征提取层→第6特征提取层→第3池化层→第7特征提取层→第8特征提取层→dropout层→第1反卷积层→第1融合层→第9特征提取层→第10特征提取层→第2反卷积层→第2融合层→第11特征提取层→第12特征提取层→第3反卷积层→第3融合层→第13特征提取层→第14特征提取层→输出层;
所述输入层采用Input函数实现;
所述每个特征提取层均由1个卷积层和1个激活函数层串联组成,每个卷积层均采用Conv2D函数实现,每个激活函数层均采用ReLU函数实现;
所述每个池化层采用MaxPooling2D函数实现;
所述每个融合层均采用Merge函数实现,第1融合层输出第1反卷积层和第6特征提取层的融合结果;第2融合层输出第2反卷积层和第4特征提取层的融合结果;第3融合层输出第3反卷积层和第2特征提取层的融合结果;
所述输出层采用Sigmoid函数实现;
设置U-net网络的每层参数如下:
将第1特征提取层、第2特征提取层、第13特征提取层、第14特征提取层中卷积层的卷积核个数均设置为64,每个卷积核大小设置为3*3;
将第3特征提取层、第4特征提取层、第11特征提取层、第12特征提取层中卷积层的卷积核个数均设置为128,每个卷积核大小设置为3*3;
将第5特征提取层、第6特征提取层、第9特征提取层、第10特征提取层中卷积层的卷积核个数均设置为256,每个卷积核大小设置为3*3;
将第7特征提取层和第8特征提取层中卷积层的卷积核个数均设置为512,每个卷积核大小设置为3*3;
将第1至第3池化层的每个卷积核大小均设置为2*2;
将dropout层中的概率值设置为0.5;
将第1至第3反卷积层中卷积核的个数依次设置为256、128、64,每个卷积核大小均设置为2*2。
5.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(2)中所述对U-net网络进行训练的步骤如下:
第一步,使用MSRA初始化方法,对U-net网络的权重进行初始化,并将偏置初始值设置为0;
第二步,将PET训练集和PET标注集中的每个图像输入到U-net网络中,输出分割图像;
第三步,利用交叉熵损失函数,计算U-net网络的损失值;根据网络的损失值,使用初始学习率为0.0001的Adam优化器对U-net网络的权重和偏置进行迭代更新,直到U-net网络的损失值接近于0时,得到训练好的U-net网络。
6.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(3)中所述多尺度网络的2个分支采用交叉连接方式如下:
第一分支中的第1特征提取层和第2特征提取层的输出通过第1融合层连接;
第一分支中的第1反卷积层和第3多尺度卷积层的输出分别与第二分支中的第6特征提取层的输出通过第2融合层连接;
第一分支中的第2反卷积层和第2多尺度卷积层的输出分别与第二分支中的第4特征提取层的输出通过第3融合层连接;
第一分支中的第3反卷积层和第1多尺度卷积层的输出分别与第二分支中的第2特征提取层的输出通过第4融合层连接;
所述每个多尺度卷积层由3个子模块采用交叉连接方式如下:
第一个子模块中的第2特征提取层和第2个子模块中第4特征提取层的输出分别与第三个子模块中池化层的输出通过融合层连接。
7.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(3)中所述多尺度网络的每层参数如下:
将多尺度网络第一分支的第1特征提取层中卷积层的卷积核个数设置为512,每个卷积核大小设置为3*3;将第2特征提取层中卷积层的卷积核个数设置为512,每个卷积核大小设置为5*5;将第3至第8特征提取层中卷积层的卷积核个数依次设置为256、256、128、128、64、64,每个卷积核大小均设置为3*3;将第1至第3反卷积层中卷积核的个数依次设置为256、128、64,每个卷积核大小均设置为2*2;
将多尺度网络第二分支的第1至第6特征提取层中卷积层的卷积核个数依次设置为64、64、128、128、256、256,每个卷积核大小均设置为3*3;将第1至第3池化层的每个卷积核大小均设置为2*2;
将第1多尺度卷积层的第1至第4特征提取层中卷积层的卷积核个数均设置为64,每个卷积核大小依次设置为3*3、1*1、3*3、5*5;将池化层的每个卷积核大小均设置为2*2;
将第2多尺度卷积层的第1至第4特征提取层中卷积层的卷积核个数均设置为128,每个卷积核大小依次设置为3*3、1*1、3*3、5*5;将池化层的每个卷积核大小均设置为2*2;
将第3多尺度卷积层的第1特征提取层、第2特征提取层、第3特征提取层、第4特征提取层中卷积层的卷积核个数均设置为256,每个卷积核大小分别设置为3*3、1*1、3*3、5*5;将池化层的每个卷积核大小均设置为2*2。
8.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(4)中所述13层的形状约束网络的结构与参数如下:
形状约束网络的结构依次为:输入层→第1特征提取层→第1池化层→第2特征提取层→第2池化层→第3特征提取层→第3池化层→第4特征提取层→第1反卷积层→第2反卷积层→第3反卷积层→第5特征提取层→输出层;
所述输入层采用Input函数实现;
所述每个特征提取层均由1个卷积层和1个激活函数层串联组成;每个卷积层均采用Conv2D函数实现,每个激活函数层均采用ReLU函数实现;
所述每个池化层均采用MaxPooling2D函数实现;
所述输出层采用Sigmoid函数实现;
设置形状约束网络的每层参数:
将第1至第5特征提取层中卷积层的卷积核个数依次设置为16、32、64、64、2,每个卷积核大小设置均为3*3;
将第1至第3池化层的每个卷积核大小均设置为2*2;
将第1至第3反卷积层中卷积核的个数依次设置为64、32、16,每个卷积核大小均设置为3*3。
9.根据权利要求1所述的基于形状约束的多尺度网络MRI胰腺轮廓定位方法,其特征在于,步骤(4)中所述对形状约束网络进行训练的步骤如下:
第一步,使用MSRA初始化方法,对形状约束网络的权重进行初始化,并将偏置的初始值设置为0;
第二步,将PET标注集中的每个图像输入到形状约束网络中,输出重建后的分割图像;
第三步,利用交叉熵损失函数,计算形状约束网络的损失值;根据网络的损失值,使用初始学习率为0.0001的Adam优化器对形状约束网络的权重和偏置进行迭代更新,直到网络的损失值接近于0时,得到训练好的形状约束网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594321.4A CN111784653B (zh) | 2020-06-28 | 2020-06-28 | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594321.4A CN111784653B (zh) | 2020-06-28 | 2020-06-28 | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784653A CN111784653A (zh) | 2020-10-16 |
CN111784653B true CN111784653B (zh) | 2023-08-01 |
Family
ID=72761639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594321.4A Active CN111784653B (zh) | 2020-06-28 | 2020-06-28 | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784653B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367461B (zh) * | 2020-10-27 | 2021-12-17 | 京东方科技集团股份有限公司 | 仪表图像样本制作方法及系统、存储介质、电子设备 |
CN113192089B (zh) * | 2021-04-12 | 2022-07-19 | 温州医科大学附属眼视光医院 | 一种用于图像分割的双向交叉连接的卷积神经网络 |
CN113223003A (zh) * | 2021-05-07 | 2021-08-06 | 西安智诊智能科技有限公司 | 一种基于深度学习的胆管图像分割方法 |
CN113409447B (zh) * | 2021-06-09 | 2023-01-24 | 广东工业大学 | 一种基于多切片组合的冠状动脉分割方法和装置 |
CN114511581B (zh) * | 2022-04-20 | 2022-07-08 | 四川大学华西医院 | 一种多任务多分辨率协作的食管癌病变分割方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032281B1 (en) * | 2017-05-03 | 2018-07-24 | Siemens Healthcare Gmbh | Multi-scale deep reinforcement machine learning for N-dimensional segmentation in medical imaging |
CN109949318A (zh) * | 2019-03-07 | 2019-06-28 | 西安电子科技大学 | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 |
WO2019200747A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
CN110751651A (zh) * | 2019-09-27 | 2020-02-04 | 西安电子科技大学 | 基于多尺度迁移学习的mri胰腺图像分割方法 |
CN110853057A (zh) * | 2019-11-08 | 2020-02-28 | 西安电子科技大学 | 基于全局和多尺度全卷积网络的航拍图像分割方法 |
CN110853051A (zh) * | 2019-10-24 | 2020-02-28 | 北京航空航天大学 | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 |
CN111126494A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院自动化研究所 | 基于各向异性卷积的图像分类方法及系统 |
-
2020
- 2020-06-28 CN CN202010594321.4A patent/CN111784653B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032281B1 (en) * | 2017-05-03 | 2018-07-24 | Siemens Healthcare Gmbh | Multi-scale deep reinforcement machine learning for N-dimensional segmentation in medical imaging |
WO2019200747A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
CN109949318A (zh) * | 2019-03-07 | 2019-06-28 | 西安电子科技大学 | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 |
CN110751651A (zh) * | 2019-09-27 | 2020-02-04 | 西安电子科技大学 | 基于多尺度迁移学习的mri胰腺图像分割方法 |
CN110853051A (zh) * | 2019-10-24 | 2020-02-28 | 北京航空航天大学 | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 |
CN110853057A (zh) * | 2019-11-08 | 2020-02-28 | 西安电子科技大学 | 基于全局和多尺度全卷积网络的航拍图像分割方法 |
CN111126494A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院自动化研究所 | 基于各向异性卷积的图像分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
含先验形状的水平集血管分割方法;薛维琴;周志勇;郑健;张涛;;计算机辅助设计与图形学学报(第08期);全文 * |
基于2.5D级联卷积神经网络的CT图像胰腺分割方法;周芳芳;王一达;宋阳;杨光;;中国医学物理学杂志(第06期);全文 * |
形状约束下活动轮廓模型冠脉血管图像多尺度分割;郭笑妍;梅雪;李振华;曹佳松;周宇;;中国图象图形学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784653A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784653B (zh) | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 | |
Li et al. | Brain tumor detection based on multimodal information fusion and convolutional neural network | |
US11288808B2 (en) | System and method for n-dimensional image segmentation using convolutional neural networks | |
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN112215842B (zh) | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN113570627B (zh) | 深度学习分割网络的训练方法及医学图像分割方法 | |
Song et al. | Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm | |
Chen et al. | A lung dense deep convolution neural network for robust lung parenchyma segmentation | |
Wei et al. | Learning-based 3D surface optimization from medical image reconstruction | |
Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
Zhai et al. | An improved full convolutional network combined with conditional random fields for brain MR image segmentation algorithm and its 3D visualization analysis | |
CN117409030A (zh) | 基于动态管状卷积的octa图像血管分割方法及其系统 | |
CN113284151A (zh) | 一种基于深度卷积神经网络的胰腺分割方法及系统 | |
Lyu et al. | HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation | |
Zhou et al. | The line-and block-like structures extraction via ingenious snake | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN114693698B (zh) | 一种基于神经网络的计算机辅助肺气道分割方法 | |
Yu et al. | CT segmentation of liver and tumors fused multi-scale features | |
CN108447066A (zh) | 胆道图像分割方法、终端、存储介质 |
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 |