CN112102221A - 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 - Google Patents
用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112102221A CN112102221A CN201910470150.1A CN201910470150A CN112102221A CN 112102221 A CN112102221 A CN 112102221A CN 201910470150 A CN201910470150 A CN 201910470150A CN 112102221 A CN112102221 A CN 112102221A
- Authority
- CN
- China
- Prior art keywords
- tumor
- network model
- unet network
- data set
- 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.)
- Pending
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 235
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012795 verification Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000002512 chemotherapy Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 238000001959 radiotherapy Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/20084—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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种用于检测肿瘤的3D UNet网络模型构建方法、装置及计算机可读存储介质。所述方法包括：从医疗影像数据库获取LIDC数据集，该LIDC数据集包括肿瘤CT影像和xml格式的肿瘤区域标注；将xml格式的肿瘤区域标注转化为mask肿瘤区域标注；将转化后的LIDC数据集划分为训练数据集和验证数据集；将训练数据集和验证数据集进行预处理，并将肿瘤CT影像的像素值归一化处理；基于keras框架构建3D Unet网络模型；利用训练数据集对3D Unet网络模型进行训练得到3D Unet网络模型的权重；利用验证数据集验证3D Unet网络模型的有效性。本发明通过构建3D UNet网络实现快速、准确地检测肿瘤病灶区域，提高肿瘤检测效率和准确度。
Description
技术领域
本发明涉及肿瘤影像处理的技术领域，尤其涉及一种用于检测肿瘤的3D UNet网络模型构建方法、装置及计算机可读存储介质。
背景技术
随着CT的应用普及，为肿瘤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，精确地从CT 图形中分割出肿瘤病灶区域，对术前新辅助放化疗的计划制定，以及术后放化疗疗效果评估意义重大。然而，人工勾画肿瘤区域是一项耗时长，工作量极大的工作。此外，不同的放射科医生对肿瘤区域的勾画结果受其主观经验，环境等诸多因素的影响，其勾画结果是不可重复的。此外，由于不同个体肺部形态差异造成肿瘤CT影像模糊不清，很难找全所有肿瘤CT影像中的肿瘤区域，肿瘤检测准确度不高且效率低造成肿瘤位置定位困难。因此，临床上急需实现肿瘤区域的自动检测，准确定位肿瘤位置，为肿瘤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用于检测肿瘤的3D UNet网络模型构建方法、装置及计算机可读存储介质，旨在解决现有肿瘤检测方法受限于个体肺部形态差异造成肿瘤检测效率低且准确度低的技术问题。
为实现上述目的，本发明提供一种用于检测肿瘤的3D UNet网络模型构建方法，该方法包括如下步骤：从医疗影像数据库获取LIDC数据集，该LIDC数据集包括肿瘤CT影像和xml格式的肿瘤区域标注；将xml格式的肿瘤区域标注转化为mask肿瘤区域标注；将转化后的LIDC数据集划分为训练数据集和验证数据集；将训练数据集和验证数据集进行预处理，并将肿瘤CT影像的像素值归一化处理；基于keras框架构建3D Unet网络模型；利用训练数据集对构建出的3D Unet网络模型进行训练得到3D Unet网络模型的权重；利用验证数据集对构建出的3D Unet网络模型的有效性进行验证。
优选地，所述对训练数据集和验证数据集进行预处理的步骤包括如下步骤：对训练数据集和验证数据集中像素点之间的间隔均置为1，使输入3D Unet网络模型的数据拥有统一的间隔；针对训练数据集中的肿瘤CT影像和mask肿瘤区域标注均执行如下步骤：获取mask肿瘤区域标注的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行随机裁剪，随机放大缩小，随机旋转角度，随机上下左右翻转，生成多样化的训练数据；针对验证数据集的肿瘤CT影像和mask肿瘤区域标注均执行如下步骤：获取mask肿瘤区域的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行裁剪，并保存裁剪得到的肿瘤CT影像和mask肿瘤区域。
优选地，所述将肿瘤CT影像的像素值归一化处理的步骤包括如下步骤：将肿瘤CT影像中大于0的像素值置为0，将肿瘤CT影像中小于-1200像素值置为-1200，其它像素置不变，进而将肿瘤CT影像的像素值归一化到[0，-1200]这个数值区间，以排除肿瘤CT影像中的非肿瘤区域。
优选地，所述mask肿瘤区域标注的大小和肿瘤CT影像的大小相同，将肿瘤CT影像中的肿瘤区域的像素值置为1，非肿瘤区域的像素值置为0，从而构成mask矩阵格式的mask肿瘤区域标注。
优选地，所述LIDC数据集按照训练数据集与验证数据集的比例为9:1划分为多个训练数据集和多个验证数据集，每个训练数据集和每个验证数据集均包括一个肿瘤CT影像及一个对应的mask肿瘤区域标注。
优选地，所述3D Unet网络模型由输入层、输出层、3D卷积层、批正则化层、激活层、反卷积层和最大池化层构成，其中，所述输入层大小为96×96×32，所述模型最大池化层由3层降采样构成、所述反卷积层由3层上采样构成，所述输出层大小为96×96×32。
优选地，所述用于检测肿瘤的3D UNet网络模型构建方法还包括：采用Adam优化器对3D Unet网络模型各层的参数进行优化；采用DiceLoss损失函数对3D Unet网络模型产生的损失进行评估。
优选地，所述用于检测肿瘤的3D UNet网络模型构建方法还包括：从影像扫描设备获取待检测的CT影像；将待检测的CT影像输入至3D Unet网络模型进行检测以检测出各种不规则的肿瘤病灶区域，并将肿瘤病灶区域显示在显示器上。
另一方面，本发明还提供一种用于检测肿瘤的3D UNet网络模型构建装置，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，所述计算机程序指令由处理器加载并执行如前述所述用于检测肿瘤的3D UNet网络模型构建方法的各项方法步骤。
再一方面，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，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前述所述用于检测肿瘤的3D UNet网络模型构建方法的各项方法步骤。
相较于现有技术，本发明所述用于检测肿瘤的3D UNet网络模型构建方法、装置及计算机可读存储介质能够构建出肿瘤精准分割的3D UNet网络模型，通过该3D UNet网络模型有效分割各种不规则的肿瘤区域，提高肿瘤检测准确度和速度，且肿瘤检测的有效性不受限于个体肺部形态差异，从而快速、准确地定位肿瘤位置，为医生对肿瘤的诊断治疗提供医学指导。
附图说明
图1是本发明用于检测肿瘤的3D UNet网络模型构建装置的较佳实施例的结构方框示意图；
图2是本发明用于检测肿瘤的3D UNet网络模型构建方法较佳实施例的方法流程图。
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是本发明用于检测肿瘤的3D UNet网络模型构建装置的较佳实施例的结构示意图。在本实施例中，所述用于检测肿瘤的3D UNet网络模型构建装置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中的用于检测肿瘤的3D UNet网络模型构建程序10，并执行该3D UNet网络模型构建程序10从影像扫描设备3输入的肿瘤CT影像，并利用UNet网络基于肿瘤CT影像数据对肺叶进行分割。所述3D UNet网络模型构建装置1可以为安装有本发明所述3D UNet网络模型构建程序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3D UNet网络模型构建装置1连接有医疗影像数据库2以及影像扫描设备3。所述医疗影像数据库2存储有多个肿瘤病例的LIDC数据集作为样本，例如医疗影像数据库2存储有1000例LIDC数据集，每一例LIDC数据集包括肿瘤CT影像和xml格式的肿瘤区域标注。所述影像扫描设备3可以为CT扫描仪，能够扫描患者的肺部得到肿瘤CT影像。所述3D UNet网络模型构建装置1通过处理器12执行3D UNet网络模型构建程序10能够从医疗影像数据库2获取多个LIDC数据集，根据LIDC数据集构建3D UNet网络模型，从影像扫描设备3获取患者的肿瘤CT影像并输入至3D UNet网络模型，利用3D UNet网络模型对输入的肿瘤CT影像快速准确地检测出肿瘤病灶区域。
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用于检测肿瘤的3D UNet网络模型构建装置1的内部存储单元，例如该用于检测肿瘤的3D UNet网络模型构建装置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用于检测肿瘤的3D UNet网络模型构建装置1的外部存储设备，例如该3D UNet网络模型构建装置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3D UNet网络模型构建装置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3D UNet网络模型构建装置1的应用软件及各类数据，例如存储用于3D UNet网络模型构建程序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肿瘤病灶区域。
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3D UNet网络模型构建程序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，能够显示检测出的肿瘤病灶区域。
可选地，在其他实施例中，所述用于检测肿瘤的3D UNet网络模型构建程序10还可以被划分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3D UNet网络模型构建程序10在所述UNet网络构建装置1中的执行过程。
在本实施例中，所述用于检测肿瘤的3D UNet网络模型构建程序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，影像数据获取模块101、影像数据处理模块102、网络模型构建模块103、网络模型训练模块104以及肿瘤检测模块105。本发明所称的模块是指一种能够被3D UNet网络模型构建装置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。
所述影像数据获取模块101用于从医疗影像数据库2获取LIDC数据集，该LIDC数据集包括肿瘤CT影像和xml格式的肿瘤区域标注。在本实施例中，所述医疗影像数据库2存储有多个肿瘤病例的LIDC数据集，例如医疗影像数据库2存储有1000例肿瘤病例的LIDC数据集。
所述影像数据处理模块102用于将xml格式的肿瘤区域标注转化为mask肿瘤区域标注；在本实施例中，所述影像数据处理模块102将xml格式的肿瘤区域标注转化为mask格式的肿瘤区域标注（简称mask肿瘤区域标注）；其中，mask肿瘤区域标注的大小和肿瘤CT影像的大小一样，将肿瘤CT影像中的肿瘤区域的像素值置为1，非肿瘤区域的像素值置为0，从而构成mask矩阵格式的mask肿瘤区域标注。
所述影像数据处理模块102还用于将转化后的LIDC数据集划分为训练数据集和验证数据集；在本实施例中，每个训练数据集和每个验证数据集均包括一个肿瘤CT影像及一个对应的mask肿瘤区域标注。假设总共输入1000例LIDC数据集，所述LIDC数据集按照训练数据集与验证数据集的比例为9:1进行划分，训练数据集有900例，验证数据集有100例。
所述影像数据处理模块102还用于对训练数据集和验证数据集进行预处理，并将肿瘤CT影像的像素值归一化处理。在本实施例中，所述对训练数据集和验证数据集进行预处理包括如下步骤：对训练数据集和验证数据集中像素点之间的间隔均置为1，使输入3DUnet网络模型的数据拥有统一的间隔；针对训练数据集中的肿瘤CT影像和mask肿瘤区域标注执行如下步骤：获取mask肿瘤区域标注的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行随机裁剪，随机放大缩小，随机旋转一定角度，该角度可以为90、180或270度，随机上下左右翻转，生成多样化的训练数据，以增强3D Unet网络模型的鲁棒性；针对验证数据集的肿瘤CT影像和mask肿瘤区域执行如下步骤：获取mask肿瘤区域的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行裁剪，并保存裁剪得到的肿瘤CT影像和mask肿瘤区域数据作为后续验证3DUnet网络模型的有效性。在本实施例中，所述将肿瘤CT影像的像素值归一化处理包括步骤：将肿瘤CT影像中大于0的像素值置为0，将肿瘤CT影像中小于-1200像素值置为-1200，其它像素置不变，即将肿瘤CT影像的像素值归一化到[0，-1200]这个数值区间，以排除大部分非肿瘤区域。
所述网络模型构建模块103用于基于keras框架构建3D Unet网络模型。本领域技术人员可知，所述Keras框架是一个基于深度学习神经网路的Python API，采用Python语言编写，是一个高度模块化的神经网络库。在本实施例中，所述3D Unet网络模型由输入层、输出层、3D卷积层、批正则化层、激活层、反卷积层和最大池化层构成，输入层大小为96×96×32，该模型有3层降采样（最大池化层）、3层上采样（反卷积层），输出层大小为96×96×32。所述网络模型构建模块103还用于采用Adam优化器对3D Unet网络模型各层的参数进行优化，并采用DiceLoss损失函数对3D Unet网络模型产生的损失进行评估。本领域技术人员可知，所述Adam优化器是随机梯度下降优化算法的扩展式，广泛用于深度学习神经网路应用中，尤其是计算机视觉和自然语言处理等任务。所述DiceLoss损失函数是一种将dice系数作为损失函数，在使用深度学习做医学图像分割时对损失进行评估的网络模型。
所述网络模型训练模块104用于利用训练数据集对3D Unet网络模型进行训练得到3D Unet网络模型的权重。在本实施例中，网络模型训练模块104将训练数据集的肿瘤CT影像和mask肿瘤区域标注按照预设的数据量输入3D Unet网络模型进行训练，例如，将每轮输入的数据量大小（batchsize）设为12批，总共轮数（epoch）设置为200轮；每一轮训练3DUnet网络模型均会产生权重，保存3D Unet网络模型的最低损失（loss）的权重，得到最优化的3D Unet网络模型。
所述网络模型训练模块104还用于利用验证数据集对3D Unet网络模型的有效性进行验证，以验证构建出的3D Unet网络模型是否可以作为后续有效并且准确地检测出肿瘤区域。在本实施例中，将验证数据集的肿瘤CT影像输入3D Unet网络模型输出肿瘤区域的mask标注，并将输出的肿瘤区域的mask标注与验证数据集中的mask肿瘤区域标注进行比较，若两者基本相同，则表明构建了有效的3D Unet网络模型有效，可作为后续肿瘤检测；若两者相差较大，则表明构建出的3D Unet网络模型无效，需重新构建有效的3D Unet网络模型。
所述肿瘤检测模块105用于从影像扫描设备3获取待检测的CT影像，并将待检测的CT影像输入至3D Unet网络模型进行检测，进而检测出各种不规则的肿瘤病灶区域，并将肿瘤病灶区域显示在显示器13上，从而有助于供医生对肿瘤术前辅助放化疗的计划制定，以及术后放化疗疗效果评估提供更加全面的指导。
参考图2所示，是本发明用于检测肿瘤的3D UNet网络模型构建方法较佳实施例的流程图。在本实施例中，所述3D UNet网络模型构建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（例如存储器11）中，所述计算机程序指令能够被处理器（例如处理器12）加载并执行如下步骤：
步骤S21，从医疗影像数据库2获取LIDC数据集，该LIDC数据集包括肿瘤CT影像和xml格式的肿瘤区域标注。在本实施例中，所述医疗影像数据库2存储有多个肿瘤病例的LIDC数据集，例如医疗影像数据库2存储有1000例肿瘤病例的LIDC数据集。
步骤S22，将xml格式的肿瘤区域标注转化为mask肿瘤区域标注；在本实施例中，将xml格式的肿瘤区域标注转化为mask格式的肿瘤区域标注（简称mask肿瘤区域标注）；其中，所述mask肿瘤区域标注的大小和肿瘤CT影像的大小相同，将肿瘤CT影像中的肿瘤区域的像素值置为1，非肿瘤区域的像素值置为0，从而构成mask矩阵格式的mask肿瘤区域标注。
步骤S23，将转化后的LIDC数据集划分为训练数据集和验证数据集；在本实施例中，每个训练数据集和每个验证数据集均包括一个肿瘤CT影像和一个对应的mask肿瘤区域标注。假设总共输入1000例LIDC数据集，所述LIDC数据集按照训练数据集与验证数据集的比例为9:1进行划分，训练数据集有900例，验证数据集有100例。
步骤S24，将训练数据集和验证数据集进行预处理，并将肿瘤CT影像的像素值归一化处理。在本实施例中，所述对训练数据集和验证数据集进行预处理包括如下步骤：对训练数据集和验证数据集中像素点之间的间隔均置为1，使输入3D Unet网络模型的数据拥有统一的间隔；针对训练数据集中的肿瘤CT影像和mask肿瘤区域标注执行如下步骤：获取mask肿瘤区域标注的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行随机裁剪，随机放大缩小，随机旋转一定角度，该角度可以为90、180或270度，随机上下左右翻转，生成多样化的训练数据，以增强3D Unet网络模型的鲁棒性；针对验证数据集的肿瘤CT影像和mask肿瘤区域标注执行如下步骤：获取mask肿瘤区域的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行裁剪，并保存裁剪得到的肿瘤CT影像和mask肿瘤区域数据作为后续验证3D Unet网络模型的有效性。在本实施例中，所述将肿瘤CT影像的像素值归一化处理包括步骤：将肿瘤CT影像中大于0的像素值置为0，将肿瘤CT影像中小于-1200像素值置为-1200，其它像素置不变，即将肿瘤CT影像的像素值归一化到[0，-1200]这个数值区间，以排除肿瘤CT影像中的大部分非肿瘤区域。
步骤S25，基于keras框架构建3D Unet网络模型。本领域技术人员可知，所述Keras框架是一个基于深度学习神经网路的Python API，采用Python语言编写，是一个高度模块化的神经网络库。在本实施例中，所述3D Unet网络模型由输入层、输出层、3D卷积层、批正则化层、激活层、反卷积层和最大池化层构成，输入层大小为96×96×32，该模型有3层降采样（最大池化层）、3层上采样（反卷积层），输出层大小为96×96×32。
步骤S26，采用Adam优化器对3D Unet网络模型各层的参数进行优化，并采用DiceLoss损失函数对3D Unet网络模型产生的损失进行评估。本领域技术人员可知，所述Adam优化器是随机梯度下降优化算法的扩展式，广泛用于深度学习神经网路应用中，尤其是计算机视觉和自然语言处理等任务。所述DiceLoss损失函数是一种将dice系数作为损失函数，在使用深度学习做医学图像分割时对损失进行评估的网络模型。
步骤S27，利用训练数据集对3D Unet网络模型进行训练得到3D Unet网络模型的权重。在本实施例中，将训练数据集的肿瘤CT影像和mask肿瘤区域标注按照预设的数据量输入3D Unet网络模型进行训练，例如，将每轮输入的数据量大小（batchsize）设为12批，总共轮数（epoch）设置为200轮；每一轮训练3D Unet网络模型均会产生权重，保存3D Unet网络模型的最低损失（loss）的权重，得到最优化的3D Unet网络模型。
步骤S28，利用验证数据集对3D Unet网络模型的有效性进行验证，以验证构建出的3D Unet网络模型是否可以作为后续有效并且准确地检测出肿瘤区域。在本实施例中，将验证数据集的肿瘤CT影像输入3D Unet网络模型输出肿瘤区域的mask标注，并将输出的肿瘤区域的mask标注与验证数据集中的mask肿瘤区域标注进行比较，若两者基本相同，则表明构建了有效的3D Unet网络模型有效，可作为后续肿瘤检测；若两者相差较大，则表明构建出的3D Unet网络模型无效，需重新构建有效的3D Unet网络模型。
步骤S29，从影像扫描设备3获取待检测的CT影像，并将待检测的CT影像输入至3DUnet网络模型进行检测，进而检测出各种不规则的肿瘤病灶区域，并将肿瘤病灶区域显示在显示器13上，从而有助于供医生对肿瘤术前辅助放化疗方案的制定，以及术后放化疗疗效果的评估提供更加全面的医学指导。
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用于检测肿瘤的3D UNet网络模型构建方法的各个步骤。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。
本发明所述用于检测肿瘤的3D UNet网络模型构建方法、装置及计算机可读存储介质能够构建出肿瘤精准分割的3D UNet网络模型，通过该3D UNet网络模型有效分割各种不规则的肿瘤区域，提高肿瘤检测准确度和速度，且肿瘤检测的有效性不受限于个体肺部形态差异，从而快速、准确地定位肿瘤位置，为医生对肿瘤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)
1.一种用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，该方法包括如下步骤：
从医疗影像数据库获取LIDC数据集，该LIDC数据集包括肿瘤CT影像和xml格式的肿瘤区域标注；
将xml格式的肿瘤区域标注转化为mask肿瘤区域标注；
将转化后的LIDC数据集划分为训练数据集和验证数据集；
将训练数据集和验证数据集进行预处理，并将肿瘤CT影像的像素值归一化处理；
基于keras框架构建3D Unet网络模型；
利用训练数据集对构建出的3D Unet网络模型进行训练得到3D Unet网络模型的权重；
利用验证数据集对构建出的3D Unet网络模型的有效性进行验证。
2.如权利要求1所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，所述对训练数据集和验证数据集进行预处理的步骤包括：
对训练数据集和验证数据集中像素点之间的间隔均置为1，使输入3D Unet网络模型的数据拥有统一的间隔；
针对训练数据集中的肿瘤CT影像和mask肿瘤区域标注均执行如下步骤：获取mask肿瘤区域标注的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行随机裁剪，随机放大缩小，随机旋转角度，随机上下左右翻转，生成多样化的训练数据；
针对验证数据集的肿瘤CT影像和mask肿瘤区域标注均执行如下步骤：获取mask肿瘤区域的中心点，以该中心点作为96×96×32矩阵的中心点，按照96×96×32大小对肿瘤区域进行裁剪，并保存裁剪得到的肿瘤CT影像和mask肿瘤区域。
3.如权利要求2所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，所述将肿瘤CT影像的像素值归一化处理的步骤包括：
将肿瘤CT影像中大于0的像素值置为0，将肿瘤CT影像中小于-1200像素值置为-1200，其它像素置不变，进而将肿瘤CT影像的像素值归一化到[0，-1200]这个数值区间，以排除肿瘤CT影像中的非肿瘤区域。
4.如权利要求1所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，所述mask肿瘤区域标注的大小和肿瘤CT影像的大小相同，将肿瘤CT影像中的肿瘤区域的像素值置为1，非肿瘤区域的像素值置为0，从而构成mask矩阵格式的mask肿瘤区域标注。
5.如权利要求1所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，所述LIDC数据集按照训练数据集与验证数据集的比例为9:1划分为多个训练数据集和多个验证数据集，每个训练数据集和每个验证数据集均包括一个肿瘤CT影像及一个对应的mask肿瘤区域标注。
6.如权利要求1所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，所述3D Unet网络模型由输入层、输出层、3D卷积层、批正则化层、激活层、反卷积层和最大池化层构成，其中，所述输入层大小为96×96×32，所述模型最大池化层由3层降采样构成、所述反卷积层由3层上采样构成，所述输出层大小为96×96×32。
7.如权利要求1所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，该方法还包括如下步骤：
采用Adam优化器对3D Unet网络模型各层的参数进行优化；
采用DiceLoss损失函数对3D Unet网络模型产生的损失进行评估。
8.如权利要求1所述的用于检测肿瘤的3D UNet网络模型构建方法，其特征在于，该方法还包括如下步骤：
从影像扫描设备获取待检测的CT影像；
将待检测的CT影像输入至3D Unet网络模型进行检测以检测出各种不规则的肿瘤病灶区域，并将肿瘤病灶区域显示在显示器上。
9.一种用于检测肿瘤的3D UNet网络模型构建装置，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权利要求1至8任一项所述用于检测肿瘤的3D UNet网络模型构建方法的各项方法步骤。
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1至8任一项所述用于检测肿瘤的3D UNet网络模型构建方法的各项方法步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910470150.1A CN112102221A (zh) | 2019-05-31 | 2019-05-31 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
| PCT/CN2019/117323 WO2020238044A1 (zh) | 2019-05-31 | 2019-11-12 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910470150.1A CN112102221A (zh) | 2019-05-31 | 2019-05-31 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112102221A true CN112102221A (zh) | 2020-12-18 |
Family
ID=73553458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910470150.1A Pending CN112102221A (zh) | 2019-05-31 | 2019-05-31 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112102221A (zh) |
| WO (1) | WO2020238044A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991266A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 用于小样本医疗影像的语义分割方法及系统 |
| CN113017670A (zh) * | 2021-03-01 | 2021-06-25 | 北京小白世纪网络科技有限公司 | 一种基于3D UNet的纵隔肿物识别方法、装置及存储介质 |
| CN113628325A (zh) * | 2021-08-10 | 2021-11-09 | 海盐县南北湖医学人工智能研究院 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
| CN113706539A (zh) * | 2021-10-29 | 2021-11-26 | 南京裕隆生物医学发展有限公司 | 一种用于识别肿瘤的人工智能辅助系统 |
| CN116386043A (zh) * | 2023-03-27 | 2023-07-04 | 北京市神经外科研究所 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767411B (zh) * | 2020-12-31 | 2024-08-06 | 罗雄彪 | 一种肺部多器官同步分割方法 |
| CN112967295B (zh) * | 2021-03-10 | 2024-04-05 | 中国科学院深圳先进技术研究院 | 一种基于残差网络和注意力机制的图像处理方法及系统 |
| CN113284093A (zh) * | 2021-04-29 | 2021-08-20 | 安徽省皖北煤电集团有限责任公司 | 一种基于改进D-LinkNet的卫星影像云检测方法 |
| CN113379735B (zh) * | 2021-07-09 | 2023-05-12 | 中山大学 | 一种ct结肠影像内容物的标注方法及系统 |
| CN113724266B (zh) * | 2021-07-26 | 2022-12-20 | 山东师范大学 | 胶质瘤分割方法及系统 |
| CN113689419A (zh) * | 2021-09-03 | 2021-11-23 | 电子科技大学长三角研究院(衢州) | 一种基于人工智能的图像分割处理方法 |
| CN113838020B (zh) * | 2021-09-17 | 2024-06-18 | 仰和华健数字医疗科技(上海)有限公司 | 一种基于钼靶影像的病变区域量化方法 |
| CN114022491B (zh) * | 2021-10-27 | 2022-05-10 | 安徽医科大学 | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 |
| CN114463336A (zh) * | 2021-12-29 | 2022-05-10 | 济南超级计算技术研究院 | 一种用于图像及其像素级分割标注数据的裁剪方法及系统 |
| CN114708255B (zh) * | 2022-04-29 | 2022-11-01 | 浙江大学 | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 |
| CN115100123B (zh) * | 2022-06-10 | 2024-08-09 | 北京理工大学 | 一种结合UNet和主动轮廓模型的脑部医学图像提取方法 |
| CN117635519A (zh) * | 2022-08-29 | 2024-03-01 | 杭州堃博生物科技有限公司 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
| CN116109605B (zh) * | 2023-02-13 | 2024-04-02 | 北京医智影科技有限公司 | 医学影像肿瘤分割系统、训练集构建方法和模型训练方法 |
| CN115953393B (zh) * | 2023-03-10 | 2023-05-16 | 济南市人民医院 | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018140596A2 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
| EP3629898A4 (en) * | 2017-05-30 | 2021-01-20 | Arterys Inc. | AUTOMATED LESION DETECTION, SEGMENTATION AND LONGITUDINAL IDENTIFICATION |
| CN108765408B (zh) * | 2018-05-31 | 2021-09-10 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
| CN109685776B (zh) * | 2018-12-12 | 2021-01-19 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
-
2019
- 2019-05-31 CN CN201910470150.1A patent/CN112102221A/zh active Pending
- 2019-11-12 WO PCT/CN2019/117323 patent/WO2020238044A1/zh active Application Filing
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991266A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 用于小样本医疗影像的语义分割方法及系统 |
| CN113017670A (zh) * | 2021-03-01 | 2021-06-25 | 北京小白世纪网络科技有限公司 | 一种基于3D UNet的纵隔肿物识别方法、装置及存储介质 |
| CN113628325A (zh) * | 2021-08-10 | 2021-11-09 | 海盐县南北湖医学人工智能研究院 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
| CN113628325B (zh) * | 2021-08-10 | 2024-03-26 | 海盐县南北湖医学人工智能研究院 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
| CN113706539A (zh) * | 2021-10-29 | 2021-11-26 | 南京裕隆生物医学发展有限公司 | 一种用于识别肿瘤的人工智能辅助系统 |
| CN116386043A (zh) * | 2023-03-27 | 2023-07-04 | 北京市神经外科研究所 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
| CN116386043B (zh) * | 2023-03-27 | 2024-06-21 | 北京市神经外科研究所 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020238044A1 (zh) | 2020-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US10546014B2 (en) | Systems and methods for segmenting medical images based on anatomical landmark-based features | |
| 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 | |
| US20200050832A1 (en) | Deep learning automated dermatopathology | |
| US7602965B2 (en) | Object detection using cross-section analysis | |
| 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 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| US11684333B2 (en) | Medical image analyzing system and method thereof | |
| CN111179222B (zh) | 脑出血点智能检测方法、装置及计算机可读存储介质 | |
| CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
| CN111667474A (zh) | 骨折识别方法、装置、设备和计算机可读存储介质 | |
| CN115564756A (zh) | 医学图像病灶定位显示方法与系统 | |
| CN117649400B (zh) | 一种异常检测框架下的影像组学分析方法及系统 | |
| CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| US11295112B2 (en) | Fast synthetic Haralick texture generation for histology images | |
| CN114240935B (zh) | 一种空频域特征融合的医学影像特征识别方法及装置 | |
| CN112434631B (zh) | 目标物识别方法、装置、电子设备及可读存储介质 | |
| CN115619803A (zh) | 一种图像分割方法、系统及电子设备 | |
| CN115100155A (zh) | 放射性肺炎预测模型的建立方法与系统 | |
| US12097050B2 (en) | Methods and systems for image segmentation and analysis | |
| CN114581463B (zh) | 一种多相位4d ct图像分割方法及系统 | |
| CN118097724B (zh) | 基于掌静脉的身份识别方法、装置、可读存储介质及设备 | |
| US20230154009A1 (en) | Systems and methods for automatic segmentation of organs from head and neck tomographic images | |
| Ning et al. | Research on 3D Rendering Effect of Marine Bionic Packaging Container Based on Deep Learning and Visualization | |
| Pang et al. | Pathological tissue segmentation by using deep neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201218 |