CN111986206A - 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 - Google Patents
基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111986206A CN111986206A CN201910437417.7A CN201910437417A CN111986206A CN 111986206 A CN111986206 A CN 111986206A CN 201910437417 A CN201910437417 A CN 201910437417A CN 111986206 A CN111986206 A CN 111986206A
- Authority
- CN
- China
- Prior art keywords
- lung
- lobe
- area
- image
- image data
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于UNet网络的肺叶分割方法、装置及计算机可读存储介质,涉及肺叶影像处理领域。所述肺叶分割方法包括:从影像输入设备获取肺部CT影像数据;对输入的肺部CT影像数据进行归一化处理;对处理后的影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域;对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;将肺叶分割结果存储在存储器中,或者输出并显示在显示器的屏幕上。本发明通过UNet网络实现快速、准确地提取肺叶,定位肺癌位置,为医生对肺癌的诊断治疗提供指导。
Description
技术领域
本发明涉及肺叶影像处理的技术领域,尤其涉及一种基于UNet网络的肺叶分割方法、装置及计算机可读存储介质。
背景技术
随着CT的应用普及,为肺癌的早期筛查提供了便利。近年来的统计发现,肺癌的发病率越来越高,同时也是癌症致死率的首要原因,外科切除肺叶是治疗肺癌的首要方法。传统的肺叶分割算法一般是利用灰度信息寻找肺裂,再根据肺裂和其他的解剖学信息(气管和血管)提取出肺叶,这种方法不仅计算量大,而且很多肺裂由于疾病的影响,模糊不清,很难找全所有切片中的肺裂,造成肺叶提取困难。如何通过UNet网络实现快速、准确地提取肺叶,定位肺癌位置,为医生的诊断治疗提供指导成为业界的研究重点。
发明内容
本发明的主要目的在于提供一种基于UNet网络的肺叶分割方法、装置及计算机可读存储介质,旨在解决现有肺叶分割方法受限于个体肺部形态差异造成肺叶分割效率低且准确度低的技术问题。
为实现上述目的,本发明提供一种基于UNet网络的肺叶分割装置,包括适于实现各种计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器,其特征在于,所述计算机程序指令由处理器加载并执行如下步骤:从影像输入设备获取肺部CT影像数据;对输入的肺部CT影像数据进行归一化处理;对处理后的肺部CT影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域;对肺区候选区域利用3DUNet网络分割出五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;将肺叶分割结果存储在存储器中,或者输出并显示在显示器的屏幕上。
优选地,所述对输入的肺部CT影像数据进行归一化处理的步骤包括:对输入的肺部CT影像数据进行预处理,将肺部CT影像数据的限定到[-1000,400]这个区间,然后归一化到[0,1]这个区间,以排除亮度较高的非肺部区域。
优选地,所述对五个肺叶的掩膜区域分别进行形态学处理的步骤包括如下步骤:去除五个肺叶掩膜区域外的区域,并填充五个肺叶掩膜区域的孔洞。
优选地,所述对处理后的影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域的步骤包括如下步骤:将肺部CT影像和肺区金标准图像均缩放到尺寸大小为[256,256];将缩放后的肺部CT影像和肺区金标准图像输入到2D UNet网络分割出包括肺内区域和肺外区域的肺区图像;将2D UNet输出得到的肺区图像再缩放至原图大小,并对每层肺区利用半径为5个像素的大小进行膨胀;根据肺区大小提取肺部区域的边界框,并从边界框中提取肺区候选区域。
优选地,所述对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域的步骤包括如下步骤:对肺部CT影像采用随机裁剪法得到尺寸大小为[128,128,64],并经过随机变化、旋转、上下翻转、尺寸变化做影像增强处理;将肺区影像数据乘以处理过的肺部CT影像数据和肺区影像数据乘以肺叶金标准图像数据输入到3D UNet网络中对肺部CT影像进行肺叶分割;将分割出的肺叶图像还原至原图大小得到5个不同的肺叶掩膜区域。
另一方面,本发明还提供一种基于UNet网络的肺叶分割方法,应用于计算机装置中,所述基于UNet网络的肺叶分割方法包括如下步骤:从影像输入设备获取肺部CT影像数据;对输入的肺部CT影像数据进行归一化处理;对处理后的肺部CT影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域;对肺区候选区域利用3DUNet网络分割出五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;将肺叶分割结果存储在存储器中,或者输出并显示在显示器的屏幕上。
优选地,所述对输入的肺部CT影像数据进行归一化处理的步骤包括如下步骤:对输入的肺部CT影像数据进行预处理,将肺部CT影像数据的限定到[-1000,400]这个区间,然后归一化到[0,1]这个区间,以排除亮度较高的非肺部区域。
优选地,所述对五个肺叶的掩膜区域分别进行形态学处理的步骤包括如下步骤:去除五个肺叶掩膜区域外的区域,并填充五个肺叶掩膜区域的孔洞。
优选地,所述对处理后的影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域的步骤包括如下步骤:将肺部CT影像和肺区金标准图像均缩放到尺寸大小为[256,256];将缩放后的肺部CT影像和肺区金标准图像输入到2D UNet网络分割出包括肺内区域和肺外区域的肺区图像;将2D UNet输出得到的肺区图像再缩放至原图大小,并对每层肺区利用半径为5个像素的大小进行膨胀;根据肺区大小提取肺部区域的边界框,并从边界框中提取肺区候选区域。
优选地,所述对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域的步骤包括如下步骤:对肺部CT影像采用随机裁剪法得到尺寸大小为[128,128,64],并经过随机变化、旋转、上下翻转、尺寸变化做影像增强处理;将肺区影像数据乘以处理过的肺部CT影像数据和肺区影像数据乘以肺叶金标准图像数据输入到3D UNet网络中对肺部CT影像进行肺叶分割;将分割出的肺叶图像还原至原图大小得到5个不同的肺叶掩膜区域。
另一方面,本发明还提供一种计算机可读存储介质,该计算机可读存储介质存储多条计算机程序指令,所述计算机程序指令由计算机装置的处理器加载并执行所述基于UNet网络的肺叶分割方法的各项方法步骤。
相较于现有技术,本发明所述基于UNet网络的肺叶分割方法、装置及计算机可读存储介质,能够通过对肺部CT图像进行归一化处理,采用2D UNet网络从肺部CT图像快速准确地提取肺区,去除肺区外噪声的影响,然后采用3D UNet网络对肺部CT图像中的肺叶进行分割,得到五个肺叶掩膜区域,从而高效地控制肺叶分割准确度和速度,提高了肺叶分割的效率且不受限于个体肺部形态差异。本发明通过UNet网络实现快速、准确地提取肺叶,定位肺癌位置,为医生对肺癌的诊断治疗提供医学指导。
附图说明
图1是本发明基于UNet网络的肺叶分割装置的较佳实施例的结构方框示意图;
图2是本发明基于UNet网络的肺叶分割方法较佳实施例的方法流程图;
图3是采用2D UNet网络从肺部CT图像提取肺区的示意图;
图4是采用3D UNet网络从肺部CT图像分割出五个肺叶的示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明的具体实施方式、结构、特征及其功效,详细说明如下。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1所示,图1是本发明基于UNet网络的肺叶分割装置的较佳实施例的结构示意图。在本实施例中,所述基于UNet网络的肺叶分割装置1包括,但不仅限于,适于存储各种计算机程序指令的存储器11、执行各种计算机程序指令的处理器12以及显示器13。所述存储器11和显示器13均通过电连接线与所述处理器12进行电气连接,并通过数据总线与处理器12进行数据传输连接。所述处理器12能够调用存储在所述存储器11中的基于UNet网络的肺叶分割程序10,并执行该肺叶分割程序10从影像输入设备2输入的肺部CT影像数据,并利用UNet网络基于肺部CT影像数据对肺叶进行分割。所述肺叶分割装置1可以为安装有本发明所述基于UNet网络的肺叶分割程序10的个人计算机、笔记本电脑、服务器等计算机装置。
在本实施例中,所述肺叶分割装置1连接有影像输入设备2,该影像输入设备2可以为CT扫描仪,能够扫描人体肺部得到肺部CT影像;该影像输入设备2也可以是医疗影像数据库,存储有人体的肺部CT影像。所述肺叶分割装置1能够从影像输入设备2获取肺部CT影像,并通过处理器12执行肺叶分割程序10对肺部CT影像进行处理,利用UNet网络对肺部CT影像快速准确地分割出不同的肺区。
在本实施例中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是所述基于UNet网络的肺叶分割装置1的内部存储单元,例如该基于UNet网络的肺叶分割装置1的硬盘、只读存储器ROM,随机存储器RAM、电可擦写存储器EEPROM、快闪存储器FLASH或光盘等。所述存储器11在另一些实施例中也可以是基于UNet网络的肺叶分割装置1的外部存储设备,例如该基于UNet网络的肺叶分割装置1上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括基于UNet网络的肺叶分割装置1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于基于UNet网络的肺叶分割装置1的应用软件及各类数据,例如存储基于UNet网络的肺叶分割程序10的程序代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
在本实施例中,所述处理器12在一些实施例中可以是一中央处理器(CentralProcessing Unit, CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于调用并运行存储器11中存储的程序代码或处理数据,例如执行基于UNet网络的肺叶分割程序10等。所述显示器13可以为触摸显示屏也可以为通用的LED显示屏,能够显示肺叶分割结果,分割出的不同部位的肺叶区域。
可选地,在其他实施例中,所述基于UNet网络的肺叶分割程序10还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述基于UNet网络的肺叶分割程序10在所述基于UNet网络的肺叶分割装置1中的执行过程。
在本实施例中,所述基于UNet网络的肺叶分割程序10由多条计算机程序指令组成的程序模块组成,包括但不局限于,肺部影像输入模块101、影像数据处理模块102、肺内区域筛选模块103、肺叶分割模块104、肺叶处理模块105以及肺叶分割结果输出模块106。本发明所称的模块是指一种能够被肺叶分割装置1的处理器12执行并且能够完成固定功能的一系列计算机程序指令段,其存储在存储器11中。
所述肺部影像输入模块101用于从影像输入设备2获取肺部CT影像数据。在本实施例中,所述影像输入设备2可以为CT扫描仪,能够扫描人体肺部得到肺部CT影像;该影像输入设备2也可以为医疗影像数据库,存储有待分割的人体肺部CT影像。
所述影像数据处理模块102用于对输入的肺部CT影像数据进行归一化处理,以排除亮度较高的非肺部区域。在本实施例中,所述影像数据处理模块102对输入的肺部CT影像数据进行预处理,将影像数据的限定到[-1000,400]这个区间,然后归一化到[0,1]这个区间,以排除亮度较高的非肺部区域。
所述肺内区域筛选模块103用于对处理后的影像数据利用2D UNet网络分割出肺内区域和肺外区域,并将肺内区域作为肺区候选区域。在本实施例中,所述2D UNet网络采用的是多层2D卷积层为主体结构的编码-解码网络进行检测和输出,为了保证图像能正确输入到2D UNet网络中,2D UNet网络输入使用的尺寸是[256,256]。如图3所示,2D UNet网络输入的图像为经步骤S12处理过的肺部CT影像(a1)和对应的医生勾画的肺区金标准图像(a2),肺部CT影像(a1)和肺区金标准图像(a2)均需要全部缩放到[256,256]这个尺寸,再输入到2D UNet网络分割出肺内区域和肺外区域的肺区分割结果(a3)。在2D UNet输出时得到的肺部区域图像再缩放回原来图像的大小,对每层肺区利用半径为5个像素的大小进行膨胀,根据肺区大小提取肺部区域的边界框,从边界框中提取出肺区候选区域(a3)。
所述肺叶分割模块104用于对肺区候选区域利用3D UNet网络筛分割五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;在本实施例中,所述3DUNet网络采用的是多层3D卷积层为主体结构的编码-解码网络进行检测和输出。为了保证图像能正确输入到3D UNet网络中,训练过程中采用随机裁剪的方法得到[128,128,64]大小的输入图像,经过随机变化、旋转、上下翻转、尺度变化等做影像增强处理,输入到3DUNet网络中进行网络模型训练。如图4所示,3D UNet网络的输入图像使用的是S23步骤输出的肺区影像数据乘以S12步骤处理过的肺部CT影像(b1)和S23步骤输出的肺区影像数据乘以医生勾画的肺叶金标准图像(b2);模型训练时使用了混合损失函数:Dice loss函数和Focal loss函数,其中,Dice Loss函数用于图像分割中衡量结果的好坏,Focal loss函数用于处理类别不均衡。测试阶段可以采用移动滑窗的方法得到[128,128,64]大小的图像,经过训练出的模型预测后,还原回原图可得到5个不同的肺叶掩膜区域(b3)。
所述肺叶处理模块105用于对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;在本实施例中,所述对五个肺叶的掩膜区域分别进行形态学处理的步骤包括:去除五个肺叶掩膜区域外的区域,以及填充五个肺叶掩膜区域的孔洞,得到最终的肺叶分割结果。
所述肺叶分割结果输出模块106用于将肺叶分割结果存储在存储器11中,或者输出并显示在显示器13的屏幕上。在本实施例中,将分割出的不同的肺叶影像显示在显示器13的屏幕上,以供医生在疾病诊断治疗方面提供更加全面的参考。
参考图2所示,是本发明基于UNet网络的肺叶分割方法较佳实施例的流程图。在本实施例中,所述基于UNet网络的肺叶分割方法的各种方法步骤通过计算机软件程序来实现,该计算机软件程序以计算机程序指令的形式存储于计算机可读存储介质(例如本实施例的存储器11)中,计算机可读存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等,所述计算机程序指令能够被处理器(例如本实施例的处理器12)加载并执行如下步骤:
步骤S21,从影像输入设备2获取肺部CT影像数据。在本实施例中,所述影像输入设备2可以为CT扫描仪,能够扫描人体肺部得到肺部CT影像;也可以为医疗影像数据库,存储有待分割的人体肺部CT影像。
步骤S22,对输入的肺部CT影像数据进行归一化处理,以排除亮度较高的非肺部区域。在本实施例中,所述影像数据处理模块102对输入的肺部CT影像数据进行预处理,将影像数据的限定到[-1000,400]这个区间,然后归一化到[0,1]这个区间,以排除亮度较高的非肺部区域。
步骤S23,对处理后的影像数据利用2D UNet网络分割出肺内区域和肺外区域,并将肺内区域作为肺区候选区域。在本实施例中,所述2D UNet网络采用的是多层2D卷积层为主体结构的编码-解码网络进行检测和输出,为了保证图像能正确输入到2D UNet网络中,2D UNet网络输入使用的尺寸是[256,256]。如图3所示2D UNet网络输入的图像为经步骤S12处理过的肺部CT影像(a1)和对应的医生勾画的肺区金标准图像(a2),肺部CT影像(a1)和肺区金标准图像(a2)均需要全部缩放到[256,256]这个尺寸,再输入到2D UNet网络分割出肺内区域和肺外区域的肺区分割结果(a3)。在2D UNet输出时得到的肺部区域图像再缩放回原来图像的大小,对每层肺区利用半径为5个像素的大小进行膨胀,根据肺区大小提取肺部区域的边界框,从边界框中提取出肺区候选区域(a3)。
步骤S24,对肺区候选区域利用3D UNet网络筛分割五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;在本实施例中,所述3D UNet网络采用的是多层3D卷积层为主体结构的编码-解码网络进行检测和输出。为了保证图像能正确输入到3D UNet网络中,训练过程中采用随机裁剪的方法得到[128,128,64]大小的输入图像,经过随机变化、旋转、上下翻转、尺度变化等做影像增强处理,输入到3D UNet网络中进行网络模型训练。如图4所示,3D UNet网络的输入图像使用的是S23步骤输出的肺区影像数据乘以S12步骤处理过的肺部CT影像(b1)和S23步骤输出的肺区影像数据乘以医生勾画的肺叶金标准图像(b2);模型训练时使用了混合损失函数:Dice loss函数和Focal loss函数,其中,Dice Loss函数用于图像分割中衡量结果的好坏,Focal loss函数用于处理类别不均衡。测试阶段可以采用移动滑窗的方法得到[128,128,64]大小的图像,经过训练出的模型预测后,还原回原图可得到5个不同的肺叶掩膜区域(b3)。
步骤S25,对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;在本实施例中,所述对五个肺叶的掩膜区域分别进行形态学处理的步骤包括:去除五个肺叶掩膜区域外的区域,以及填充五个肺叶掩膜区域的孔洞,得到最终的肺叶分割结果。
步骤S26,于将肺叶分割结果存储在存储器11中,或者输出并显示在显示器13的屏幕上。在本实施例中,将分割出的不同的肺叶影像显示在显示器13的屏幕上,以供医生在疾病诊断治疗方面提供更加全面的参考。
本发明还一种计算机可读存储介质,该计算机可读存储介质存储多条计算机程序指令,所述计算机程序指令由计算机装置的处理器加载并执行本发明所述基于UNet网络的肺叶分割方法的各个步骤。本领域技术人员可以理解,上述实施方式中各种方法的全部或部分步骤可以通过相关程序指令完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。
本发明所述基于UNet网络的肺叶分割方法、装置及计算机可读存储介质,能够通过对肺部CT图像进行归一化处理,采用2D UNet网络从肺部CT图像快速准确地提取肺区,去除肺区外噪声的影响,然后采用3D UNet网络对肺部CT图像中的肺叶进行分割,得到五个肺叶掩膜区域,从而高效地控制肺叶分割准确度和速度,提高了分割的效率且不受限于个体肺部形态差异。本发明通过UNet网络实现快速、准确地提取肺叶,定位肺癌位置,为医生对肺癌的诊断治疗提供医学指导。
以上仅为本发明的较佳实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于UNet网络的肺叶分割装置,包括适于实现各种计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器,其特征在于,所述计算机程序指令由处理器加载并执行如下步骤:
从影像输入设备获取肺部CT影像数据;
对输入的肺部CT影像数据进行归一化处理;
对处理后的肺部CT影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域;
对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;
对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;
将肺叶分割结果存储在存储器中,或者输出并显示在显示器的屏幕上。
2.如权利要求1所述的基于UNet网络的肺叶分割装置,其特征在于:
所述对输入的肺部CT影像数据进行归一化处理的步骤包括如下步骤:对输入的肺部CT影像数据进行预处理,并将肺部CT影像数据的限定到[-1000,400]这个区间,再归一化到[0,1]这个区间,以排除亮度较高的非肺部区域;
所述对五个肺叶的掩膜区域分别进行形态学处理的步骤包括如下步骤:去除五个肺叶掩膜区域外的区域,以及填充五个肺叶掩膜区域的孔洞。
3.如权利要求1所述的基于UNet网络的肺叶分割装置,其特征在于,所述对处理后的影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域的步骤包括如下步骤:
将肺部CT影像和肺区金标准图像均缩放到尺寸大小为[256,256];
将缩放后的肺部CT影像和肺区金标准图像输入到2D UNet网络分割出包括肺内区域和肺外区域的肺区图像;
将2D UNet输出得到的肺区图像再缩放至原图大小,并对每层肺区利用半径为5个像素的大小进行膨胀;
根据肺区大小提取肺部区域的边界框,并从边界框中提取肺区候选区域。
4.如权利要求1所述的基于UNet网络的肺叶分割装置,其特征在于,所述对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域的步骤包括如下步骤:
对肺部CT影像采用随机裁剪法得到尺寸大小为[128,128,64],并经过随机变化、旋转、上下翻转、尺寸变化做影像增强处理;
将肺区影像数据乘以处理过的肺部CT影像数据和肺区影像数据乘以肺叶金标准图像数据输入到3D UNet网络中对肺部CT影像进行肺叶分割;
将分割出的肺叶图像还原至原图大小得到5个不同的肺叶掩膜区域。
5.一种基于UNet网络的肺叶分割方法,应用于计算机装置中,其特征在于,所述基于UNet网络的肺叶分割方法包括如下步骤:
从影像输入设备获取肺部CT影像数据;
对输入的肺部CT影像数据进行归一化处理;
对处理后的肺部CT影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域;
对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域,得到左上叶、左下叶、右上叶、右中叶以及右下叶的区域;
对五个肺叶掩膜区域分别进行形态学处理,得到最终的肺叶分割结果;
将肺叶分割结果存储在存储器中,或者输出并显示在显示器的屏幕上。
6.如权利要求5所述的基于UNet网络的肺叶分割方法,其特征在于,所述对输入的肺部CT影像数据进行归一化处理的步骤包括如下步骤:对输入的肺部CT影像数据进行预处理,并将肺部CT影像数据的限定到[-1000,400]这个区间,再归一化到[0,1]这个区间,以排除亮度较高的非肺部区域。
7.如权利要求5所述的基于UNet网络的肺叶分割方法,其特征在于,所述对五个肺叶的掩膜区域分别进行形态学处理的步骤包括如下步骤:去除五个肺叶掩膜区域外的区域,以及填充五个肺叶掩膜区域的孔洞。
8.如权利要求5所述的基于UNet网络的肺叶分割方法,其特征在于,所述对处理后的影像数据利用2D UNet网络筛选出肺内区域和肺外区域,并将肺内区域作为肺区候选区域的步骤包括如下步骤:
将肺部CT影像和肺区金标准图像均缩放到尺寸大小为[256,256];
将缩放后的肺部CT影像和肺区金标准图像输入到2D UNet网络分割出包括肺内区域和肺外区域的肺区图像;
将2D UNet输出得到的肺区图像再缩放至原图大小,并对每层肺区利用半径为5个像素的大小进行膨胀;
根据肺区大小提取肺部区域的边界框,并从边界框中提取肺区候选区域。
9.如权利要求5所述的基于UNet网络的肺叶分割方法,其特征在于,所述对肺区候选区域利用3D UNet网络分割出五个肺叶掩膜区域的步骤包括如下步骤:
对肺部CT影像采用随机裁剪法得到尺寸大小为[128,128,64],并经过随机变化、旋转、上下翻转、尺寸变化做影像增强处理;
将肺区影像数据乘以处理过的肺部CT影像数据和肺区影像数据乘以肺叶金标准图像数据输入到3D UNet网络中对肺部CT影像进行肺叶分割;
将分割出的肺叶图像还原至原图大小得到5个不同的肺叶掩膜区域。
10.一种计算机可读存储介质,该计算机可读存储介质存储多条计算机程序指令,其特征在于,所述计算机程序指令由计算机装置的处理器加载并执行如权利要求5至9任一项所述基于UNet网络的肺叶分割方法的各项方法步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910437417.7A CN111986206A (zh) | 2019-05-24 | 2019-05-24 | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 |
PCT/CN2019/117321 WO2020238043A1 (zh) | 2019-05-24 | 2019-11-12 | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910437417.7A CN111986206A (zh) | 2019-05-24 | 2019-05-24 | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986206A true CN111986206A (zh) | 2020-11-24 |
Family
ID=73436885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910437417.7A Pending CN111986206A (zh) | 2019-05-24 | 2019-05-24 | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111986206A (zh) |
WO (1) | WO2020238043A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349429A (zh) * | 2020-12-01 | 2021-02-09 | 苏州体素信息科技有限公司 | 疾病预测方法、疾病预测模型训练方法及装置、存储介质 |
CN112734755A (zh) * | 2021-03-15 | 2021-04-30 | 四川大学 | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 |
CN112884792A (zh) * | 2021-02-02 | 2021-06-01 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
CN112950554A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种基于肺分割的肺叶分割优化方法及系统 |
CN113344881A (zh) * | 2021-06-09 | 2021-09-03 | 西安智诊智能科技有限公司 | 一种基于深度学习的肺叶图像分割方法 |
CN113576487A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
CN115147359A (zh) * | 2022-06-06 | 2022-10-04 | 北京医准智能科技有限公司 | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 |
CN117523207A (zh) * | 2024-01-04 | 2024-02-06 | 广东欧谱曼迪科技股份有限公司 | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 |
CN117576126A (zh) * | 2024-01-16 | 2024-02-20 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074270B (zh) * | 2016-11-11 | 2021-11-30 | 上海东软医疗科技有限公司 | 一种pet衰减校正方法和装置 |
CN108133476B (zh) * | 2017-12-26 | 2022-02-01 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108389210A (zh) * | 2018-02-28 | 2018-08-10 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN109685787A (zh) * | 2018-12-21 | 2019-04-26 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割中的输出方法、装置 |
-
2019
- 2019-05-24 CN CN201910437417.7A patent/CN111986206A/zh active Pending
- 2019-11-12 WO PCT/CN2019/117321 patent/WO2020238043A1/zh active Application Filing
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349429B (zh) * | 2020-12-01 | 2021-09-21 | 苏州体素信息科技有限公司 | 疾病预测方法、疾病预测模型训练方法及装置、存储介质 |
CN112349429A (zh) * | 2020-12-01 | 2021-02-09 | 苏州体素信息科技有限公司 | 疾病预测方法、疾病预测模型训练方法及装置、存储介质 |
CN112884792A (zh) * | 2021-02-02 | 2021-06-01 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
CN112950554B (zh) * | 2021-02-05 | 2021-12-21 | 慧影医疗科技(北京)有限公司 | 一种基于肺分割的肺叶分割优化方法及系统 |
CN112950554A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种基于肺分割的肺叶分割优化方法及系统 |
CN112734755A (zh) * | 2021-03-15 | 2021-04-30 | 四川大学 | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 |
CN113344881A (zh) * | 2021-06-09 | 2021-09-03 | 西安智诊智能科技有限公司 | 一种基于深度学习的肺叶图像分割方法 |
CN113576487A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
CN113576487B (zh) * | 2021-06-18 | 2023-06-13 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
CN115147359A (zh) * | 2022-06-06 | 2022-10-04 | 北京医准智能科技有限公司 | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 |
CN117523207A (zh) * | 2024-01-04 | 2024-02-06 | 广东欧谱曼迪科技股份有限公司 | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 |
CN117523207B (zh) * | 2024-01-04 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 |
CN117576126A (zh) * | 2024-01-16 | 2024-02-20 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
CN117576126B (zh) * | 2024-01-16 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020238043A1 (zh) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986206A (zh) | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
US20190236782A1 (en) | Systems and methods for detecting an indication of malignancy in a sequence of anatomical images | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
US9480439B2 (en) | Segmentation and fracture detection in CT images | |
CN112102221A (zh) | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 | |
CN109378068B (zh) | 一种鼻咽癌疗效的自动评测方法及系统 | |
CN110992376A (zh) | 基于ct图像的肋骨分割方法、装置、介质及电子设备 | |
Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
KR20200121558A (ko) | 의료영상의 병변 정보 증강 패치에 하나 이상의 증강 방식을 적용한 학습데이터 기반의 병변 분류 방법 및 장치 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
Jurek et al. | Syntactic pattern recognition-based diagnostics of fetal palates | |
CN115761226A (zh) | 一种口腔影像分割识别方法、装置、电子设备和存储介质 | |
CN112950552B (zh) | 一种基于卷积神经网络的肋骨分割标记方法及系统 | |
Leibstein et al. | Detecting tuberculosis in chest radiographs using image processing techniques | |
Kaddour et al. | Artificial Intelligence Pathologist: The use of Artificial Intelligence in Digital Healthcare | |
CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、介质 | |
Miao et al. | Visual quantification of the circle of willis: An automated identification and standardized representation | |
CN111161256A (zh) | 图像分割方法、图像分割装置、存储介质及电子设备 | |
CN115148341B (zh) | 一种基于体位识别的ai结构勾画方法及系统 | |
Setty et al. | Survey on Features and Techniques used for Bone Fracture Detection and Classification | |
Rajesh et al. | Detection of Abnormality in Human Hard Tissue using Edge Detection Operators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201124 |
|
WD01 | Invention patent application deemed withdrawn after publication |