CN112116605B - 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 - Google Patents

一种基于集成深度卷积神经网络的胰腺ct图像分割方法 Download PDF

Info

Publication number
CN112116605B
CN112116605B CN202011052799.0A CN202011052799A CN112116605B CN 112116605 B CN112116605 B CN 112116605B CN 202011052799 A CN202011052799 A CN 202011052799A CN 112116605 B CN112116605 B CN 112116605B
Authority
CN
China
Prior art keywords
image
branch
pancreas
segmentation
voxel
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
Application number
CN202011052799.0A
Other languages
English (en)
Other versions
CN112116605A (zh
Inventor
夏勇
陈亚鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Shenzhen Institute of Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Shenzhen Institute of Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202011052799.0A priority Critical patent/CN112116605B/zh
Publication of CN112116605A publication Critical patent/CN112116605A/zh
Application granted granted Critical
Publication of CN112116605B publication Critical patent/CN112116605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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]

Abstract

本发明公开了一种基于集成深度卷积神经网络的胰腺CT图像分割方法，采用由粗到细的两阶段分割框架对CT图像中的胰腺进行精确的分割。首先构建了一种引入注意力模块和跨层级密集连接的三维U型编码‑解码结构的CNN网络，即Unet模型作为识别网络应用在胰腺图像分割两阶段；在粗分割阶段，对原图进行降采样归一化预处理，然后随机取若干数据块作为网络的输入进行训练，得到胰腺的粗分割结果；在细分割阶段，用边界框包含胰腺区域，在边界框区域内取图像块进行训练；在识别时，使用粗分割结果确定胰腺所在区域，再用细分割进行预测，得到细分割结果。最终将两阶段的结果进行投票决策得到分割结果。本发明克服了手工标注的问题，得到了较为理想的分割结果。

Description

一种基于集成深度卷积神经网络的胰腺CT图像分割方法
技术领域
本发明属于医学领域，具体涉及一种CT图像分割方法。
背景技术
胰腺癌是一种恶性度很高的消化系统肿瘤，其早期临床症状较隐匿，大多数发现时已是晚期，因此往往预后不佳，虽然胰腺癌的整体发病率在所有恶性肿瘤中较低，但死亡率却居前列，且近年来发病率有上升趋势。利用现有的计算机辅助诊断系统对CT图像中胰腺进行自动的精确分割能够极大地促进对胰腺疾病的评估。然而，由于胰腺的特殊性，分割效果往往与理想情况相差甚远，胰腺分割的难点主要在于：严重的类别不平衡问题，即胰腺在整个CT图像中所占体素的比例往往不足1％，同时胰腺的解剖结构较为复杂，并且相对于其他组织在视觉上有一个模糊的类间边界。
与此同时，经过多年的发展，深度学习的相关算法在计算机视觉领域取得了显著的成果。其中，深度学习的典型代表：卷积神经网络(Convolutional Neural Networks,CNN)也被逐渐地应用于医学图像处理领域之中。如Roth等人利用CNN模型对图像特征的高表示能力来对CT图像中的胰腺组织进行有效的分割，他们率先将全卷积网络(FullConvolution Network，FCN)用于胰腺的分割，展示了CNN模型在医学图像分割上的潜力，但是无论是基于2D卷积还是3D卷积的CNN模型，都存在一定的缺陷。基于2D卷积的CNN模型只能处理二维的CT图像切片，无法学习到整体CT图像中蕴含的三维信息。而基于3D卷积的CNN模型使用三维数据块作为输入，这种方法充分的关注了三维CT图像中的上下文信息，但是3D的图像特征往往需要占用巨大的显存，因此限制了输入数据的大小，同时由于胰腺分割的类别不均衡问题，随机选取的3D图像块往往无法包含足够的正样本来有效的训练网络。
发明内容
为了克服现有技术的不足，本发明提供了一种基于集成深度卷积神经网络的胰腺CT图像分割方法，采用由粗到细的两阶段分割框架对CT图像中的胰腺进行精确的分割。首先构建了一种引入注意力模块和跨层级密集连接的三维U型编码-解码结构的CNN网络，即Unet模型作为识别网络，将识别网络应用在胰腺图像分割的两阶段；在粗分割阶段，对原图进行降采样归一化预处理，然后随机取若干数据块作为网络的输入进行训练，由此得到胰腺的粗分割结果；在细分割阶段，用边界框包含胰腺区域，在边界框区域内取图像块进行训练；在识别时，使用粗分割结果确定胰腺所在区域，再用细分割进行预测，得到细分割结果。最终将两阶段的结果进行投票决策，得到最后的分割结果。本发明克服了手工标注的问题，得到了较为理想的分割结果。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：构建引入注意力模块和跨层级密集连接的三维Unet网络；
在三维Unet网络中，使用跳跃连接将当前层的编码模块与解码模块连接，同时在跳跃连接中加入注意力模块，当前层编码模块输出的特征和下一层解码模块输出的特征作为注意力模块的输入，注意力模块输出的特征输入到当前层解码模块；
跨层级密集连接机制将第四层解码模块输出的特征分别输入至第一层与第二层解码模块，将第三层解码器输出的特征输入至第一层解码模块，每一层解码模块将通过跨层级密集连接接收到的跨层特征、从上一层接收到的特征以及从注意力模块接收到的特征进行拼接，再进行后续的卷积操作；
步骤2：CT图像预处理；
采用体素值为[a1,a2]的窗口对CT原图像进行体素值截取，将CT原图像中体素值大于a2的图像点体素值变为a2，将CT原图像中体素值小于a1的图像点体素值变为a1，其余图像点体素值保持不变，a1<a2；然后按照公式(1)将每个图像点的体素值归一化到[0,1]之间，其中，max和min分别为CT原图像中图像点所在图像层中所有图像点体素值的最大值和最小值；
Figure BDA0002710060670000021
步骤3：粗分割阶段；
将经过步骤2预处理后的CT图像的体素空间分辨率归一化为b×b×bmm3，形成降采样CT图像，降采样CT图像尺寸小于原图像的1/2；然后在降采样CT图像上随机截取多个c1×c2×c3大小的图像块作为粗分割训练数据集，每个图像块的尺寸大于降采样CT图像的1/2；
采用粗分割训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力模块和跨层级密集连接的三维Unet网络进行训练，训练完成得到粗分割识别网络；
步骤4：细分割阶段；
细分割阶段包括第一分支和第二分支；
在第一分支，使用CT原图像胰腺的金标准在CT原图像中找到胰腺的中心点，称为第一分支胰腺中心点；以第一分支胰腺中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，称为第一分支三维图像，第一分支胰腺中心点为第一分支三维图像的中心点；在第一分支三维图像中随机截取多个e1×e2×e3大小的图像块作为细分割第一分支训练数据集；采用细分割第一分支训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力模块和跨层级密集连接的三维Unet网络进行训练，训练完成得到细分割第一分支识别网络；
在第二分支，首先对CT原图像体素空间分辨率进行归一化，得到第二分支归一化CT图像，第二分支归一化CT图像的体素空间分辨率是CT原图像体素空间分辨率的d％，d∈[90,110]；使用CT原图像胰腺的金标准在第二分支归一化CT图像中找到胰腺的中心点，称为第二分支胰腺中心点；以第二分支胰腺中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，称为第二分支三维图像，第二分支胰腺中心点为第二分支三维图像的中心点；在第二分支三维图像中随机截取多个e1×e2×e3大小的图像块作为细分割第二分支训练数据集；采用细分割第二分支训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力模块和跨层级密集连接的三维Unet网络进行训练，训练完成得到细分割第二分支识别网络；
步骤5：测试阶段；
将待测试CT图像输入粗分割识别网络，粗分割识别网络输出粗分割结果图像；对粗分割结果图像分别进行两次上采样：第一次上采样将粗分割结果图像的体素空间分辨率变为和CT原图像体素空间分辨率相同，得到第一次上采样粗分割结果图像；第二次上采样将粗分割结果图像的体素空间分辨率变为和第二分支归一化CT图像的体素空间分辨率相同，得到第二次上采样粗分割结果图像；
以第一次上采样粗分割结果图像的中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，将该三维图像输入细分割第一分支识别网络，细分割第一分支识别网络输出第一分支细分割识别结果图像；
以第二次上采样粗分割结果图像的中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，将该三维图像输入细分割第二分支识别网络，细分割第二分支识别网络输出第二分支细分割初步识别结果图；再将第二分支细分割初步识别结果图体素空间分辨率变为和CT原图像体素空间分辨率相同，得到第二分支细分割识别结果图像；
对粗分割结果图像、第一分支细分割识别结果图像和第二分支细分割识别结果图像进行投票决策：在三个结果图像中，若一个体素在两个及两个以上的结果图像中被分类为胰腺，则该体素属于胰腺，否则该体素不属于胰腺。
优选地，所述a1＝-100,a2＝240。
优选地，所述b＝2。
优选地，所述c1＝160,c2＝160,c3＝64。
优选地，所述d1＝256,d2＝160,d3＝128。
本发明的有益效果是：由于采用了本发明的一种基于集成深度卷积神经网络的两阶段胰腺CT图像分割方法，克服了基于2D卷积的CNN网络无法学习到三维特征的缺陷和基于3D卷积的CNN网络由于随机选取的3D图像块往往无法包含足够的正样本而无法有效的训练网络的缺陷，从而得到了较为理想的分割结果。
附图说明
图1为本发明的图像分割方法流程图。
图2为本发明引入注意力模块和跨层级密集连接的三维UNet网络结构示意图。
图3为本发明注意力模块结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，本发明提供了一种基于集成深度卷积神经网络的胰腺CT图像分割方法，包括以下步骤：
步骤1：构建引入注意力模块和跨层级密集连接的三维Unet网络；
如图2所示，三维Unet模型包含一个用于接收预处理后图像块的输入层，一个包含no个1×1卷积滤波器的卷积层与Sigmoid激活函数构成的输出层和七个卷积模块，每个卷积模块包含有两个3D卷积层，七个卷积模块中的每个卷积层包含的3×3卷积滤波器数量分别为[n11,n12；n21,n22；n31,n32；n41,n42；n51,n52；n61,n62；n71,n72]；在模型右侧解码器部分，包含三个反卷积模块，每个反卷积模块包含一个3D卷积层，自左向右每个反卷积模块中的卷积层包含的3×3卷积滤波器数量分别为[n1,n2,n3]。每个卷积层后连接一个BN层进行批标准化和一个ReLU层作为激活函数。在模型右侧解码器部分，包含三个反卷积模块，每个反卷积模块包含一个3D卷积层。
在三维Unet网络中，使用跳跃连接将当前层的编码模块与解码模块连接，同时在跳跃连接中加入注意力模块，当前层编码模块输出的特征和下一层解码模块输出的特征作为注意力模块的输入，注意力模块输出的特征输入到当前层解码模块；
跨层级密集连接机制将第四层解码模块输出的特征分别输入至第一层与第二层解码模块，将第三层解码器输出的特征输入至第一层解码模块，每一层解码模块将通过跨层级密集连接接收到的跨层特征、从上一层接收到的特征以及从注意力模块接收到的特征进行拼接，再进行后续的卷积操作；
步骤2：CT图像预处理；
采用体素值为[-100,240]的窗口对CT原图像进行体素值截取，将CT原图像中体素值大于240的图像点体素值变为240，将CT原图像中体素值小于-100的图像点体素值变为-100，其余图像点体素值保持不变；然后按照公式(1)将每个图像点的体素值归一化到[0,1]之间，其中，max和min分别为CT原图像中图像点所在图像层中所有图像点体素值的最大值和最小值；
Figure BDA0002710060670000051
步骤3：粗分割阶段；
将经过步骤2预处理后的CT图像的体素空间分辨率归一化为2×2×2mm3，形成降采样CT图像，降采样CT图像尺寸小于原图像的1/2；然后在降采样CT图像上随机截取多个160×160×64大小的图像块作为粗分割训练数据集，每个图像块的尺寸大于降采样CT图像的1/2；
采用粗分割训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力机制和密集连接的三维Unet网络进行训练，训练完成得到粗分割识别网络；
步骤4：细分割阶段；
细分割阶段包括第一分支和第二分支；
在第一分支，使用CT原图像胰腺的金标准在CT原图像中找到胰腺的中心点，称为第一分支胰腺中心点；以第一分支胰腺中心点为基准，向xyz三个正交轴方向扩展得到一个256×160×128大小的三维图像，称为第一分支三维图像，第一分支胰腺中心点为第一分支三维图像的中心点；在第一分支三维图像中随机截取多个e1×e2×e3大小的图像块作为细分割第一分支训练数据集；采用细分割第一分支训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力机制和密集连接的三维Unet网络进行训练，训练完成得到细分割第一分支识别网络；
在第二分支，首先对CT原图像体素空间分辨率进行归一化，得到第二分支归一化CT图像，第二分支归一化CT图像的体素空间分辨率是CT原图像体素空间分辨率的d％，d∈[90,110]；使用CT原图像胰腺的金标准在第二分支归一化CT图像中找到胰腺的中心点，称为第二分支胰腺中心点；以第二分支胰腺中心点为基准，向xyz三个正交轴方向扩展得到一个256×160×128大小的三维图像，称为第二分支三维图像，第二分支胰腺中心点为第二分支三维图像的中心点；在第二分支三维图像中随机截取多个e1×e2×e3大小的图像块作为细分割第二分支训练数据集；采用细分割第二分支训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力机制和密集连接的三维Unet网络进行训练，训练完成得到细分割第二分支识别网络；
步骤5：测试阶段；
将待测试CT图像输入粗分割识别网络，粗分割识别网络输出粗分割结果图像；对粗分割结果图像分别进行两次上采样：第一次上采样将粗分割结果图像的体素空间分辨率变为和CT原图像体素空间分辨率相同，得到第一次上采样粗分割结果图像；第二次上采样将粗分割结果图像的体素空间分辨率变为和第二分支归一化CT图像的体素空间分辨率相同，得到第二次上采样粗分割结果图像；
以第一次上采样粗分割结果图像的中心点为基准，向xyz三个正交轴方向扩展得到一个256×160×128大小的三维图像，将该三维图像输入细分割第一分支识别网络，细分割第一分支识别网络输出第一分支细分割识别结果图像；
以第二次上采样粗分割结果图像的中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，将该三维图像输入细分割第二分支识别网络，细分割第二分支识别网络输出第二分支细分割初步识别结果图；再将第二分支细分割初步识别结果图体素空间分辨率变为和CT原图像体素空间分辨率相同，得到第二分支细分割识别结果图像；
对粗分割结果图像、第一分支细分割识别结果图像和第二分支细分割识别结果图像进行投票决策：在三个结果图像中，若一个体素在两个及两个以上的结果图像中被分类为胰腺，则该体素属于胰腺，否则该体素不属于胰腺。
在本发明中，两个阶段使用同样结构的模型，即使用如图2所示的引入注意力机制和密集连接的三维U型编码-解码结构的CNN作为体素分类器判断其是否为胰腺体素，网络包含一个输入层，用于接收预处理后的图像块，一个包含Sigmoid激活函数的输出层和七个卷积模块。Sigmoid层的作用是将输出的线性预测值转化为与输出类别对应的后验概率。每个卷积模块包含有两个卷积层，每个卷积层后连接一个批归一化层(BatchNormalization，BN)进行数据归一化和一个修正线性单元(Rectified Linear Unit，ReLU)作为激活函数。
池化层的作用是将特征进行降采样，我们采用最大池化的方式，滑动窗的大小为2×2，步长为2。
注意力机制通过调整特征的权重，将激活的部分限制于待分割的区域，减小背景的激活值来优化分割。在U-Net网络中的跳跃连接结构上引入如图3所示的注意力机制，用具有丰富语义信息的深层高维特征来监督包含大量细节信息的浅层低维特征。在图3中，g是图2中注意力模块的两个输入中来自解码器部分的特征(深层特征)，xl是来自编码器部分的特征(浅层特征)。F代表特征图的通道数，Fint为1，H×W×D表示特征图三个维度的大小，Wg，Wx和ψ为可通过反向传播进行学习的权重矩阵。首先，由于g和xl的特征图尺寸不同，因此先将xl降采样到g的尺寸，最后，经过处理得到的注意力矩阵α通过重采样器(Resampler)恢复到xl的尺寸，然后与xl进行点乘得到最终的输出。
与此同时，我们在网络的解码器部分中还引入了如图2虚线所示的跨层级密集连接机制用以提高网络的分类性能。密集连接将高级别的特征跨层级连接到其他层次，高级别特征图被多次重用，以将更多的下文信息添加到低级别的特征中，该设计能够进一步辅助网络模型正确分割体积较大的目标。

Claims (5)

1.一种基于集成深度卷积神经网络的胰腺CT图像分割方法，其特征在于，包括以下步骤：
步骤1：构建引入注意力模块和跨层级密集连接的三维Unet网络；
在三维Unet网络中，使用跳跃连接将当前层的编码模块与解码模块连接，同时在跳跃连接中加入注意力模块，当前层编码模块输出的特征和下一层解码模块输出的特征作为注意力模块的输入，注意力模块输出的特征输入到当前层解码模块；
跨层级密集连接机制将第四层解码模块输出的特征分别输入至第一层与第二层解码模块，将第三层解码器输出的特征输入至第一层解码模块，每一层解码模块将通过跨层级密集连接接收到的跨层特征、从上一层接收到的特征以及从注意力模块接收到的特征进行拼接，再进行后续的卷积操作；
步骤2：CT图像预处理；
采用体素值为[a1,a2]的窗口对CT原图像进行体素值截取，将CT原图像中体素值大于a2的图像点体素值变为a2，将CT原图像中体素值小于a1的图像点体素值变为a1，其余图像点体素值保持不变，a1<a2；然后按照公式(1)将每个图像点的体素值归一化到[0,1]之间，其中，max和min分别为CT原图像中图像点所在图像层中所有图像点体素值的最大值和最小值；
Figure FDA0002710060660000011
步骤3：粗分割阶段；
将经过步骤2预处理后的CT图像的体素空间分辨率归一化为b×b×bmm3，形成降采样CT图像，降采样CT图像尺寸小于原图像的1/2；然后在降采样CT图像上随机截取多个c1×c2×c3大小的图像块作为粗分割训练数据集，每个图像块的尺寸大于降采样CT图像的1/2；
采用粗分割训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力模块和跨层级密集连接的三维Unet网络进行训练，训练完成得到粗分割识别网络；
步骤4：细分割阶段；
细分割阶段包括第一分支和第二分支；
在第一分支，使用CT原图像胰腺的金标准在CT原图像中找到胰腺的中心点，称为第一分支胰腺中心点；以第一分支胰腺中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，称为第一分支三维图像，第一分支胰腺中心点为第一分支三维图像的中心点；在第一分支三维图像中随机截取多个e1×e2×e3大小的图像块作为细分割第一分支训练数据集；采用细分割第一分支训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力模块和跨层级密集连接的三维Unet网络进行训练，训练完成得到细分割第一分支识别网络；
在第二分支，首先对CT原图像体素空间分辨率进行归一化，得到第二分支归一化CT图像，第二分支归一化CT图像的体素空间分辨率是CT原图像体素空间分辨率的d％，d∈[90,110]；使用CT原图像胰腺的金标准在第二分支归一化CT图像中找到胰腺的中心点，称为第二分支胰腺中心点；以第二分支胰腺中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，称为第二分支三维图像，第二分支胰腺中心点为第二分支三维图像的中心点；在第二分支三维图像中随机截取多个e1×e2×e3大小的图像块作为细分割第二分支训练数据集；采用细分割第二分支训练数据集中的图像块作为训练样本，CT原图像胰腺的金标准作为标签对步骤1构建的引入注意力模块和跨层级密集连接的三维Unet网络进行训练，训练完成得到细分割第二分支识别网络；
步骤5：测试阶段；
将待测试CT图像输入粗分割识别网络，粗分割识别网络输出粗分割结果图像；对粗分割结果图像分别进行两次上采样：第一次上采样将粗分割结果图像的体素空间分辨率变为和CT原图像体素空间分辨率相同，得到第一次上采样粗分割结果图像；第二次上采样将粗分割结果图像的体素空间分辨率变为和第二分支归一化CT图像的体素空间分辨率相同，得到第二次上采样粗分割结果图像；
以第一次上采样粗分割结果图像的中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，将该三维图像输入细分割第一分支识别网络，细分割第一分支识别网络输出第一分支细分割识别结果图像；
以第二次上采样粗分割结果图像的中心点为基准，向xyz三个正交轴方向扩展得到一个d1×d2×d3大小的三维图像，将该三维图像输入细分割第二分支识别网络，细分割第二分支识别网络输出第二分支细分割初步识别结果图；再将第二分支细分割初步识别结果图体素空间分辨率变为和CT原图像体素空间分辨率相同，得到第二分支细分割识别结果图像；
对粗分割结果图像、第一分支细分割识别结果图像和第二分支细分割识别结果图像进行投票决策：在三个结果图像中，若一个体素在两个及两个以上的结果图像中被分类为胰腺，则该体素属于胰腺，否则该体素不属于胰腺。
2.根据权利要求1所述的一种基于集成深度卷积神经网络的胰腺CT图像分割方法，其特征在于，所述a1＝-100,a2＝240。
3.根据权利要求1所述的一种基于集成深度卷积神经网络的胰腺CT图像分割方法，其特征在于，所述b＝2。
4.根据权利要求1所述的一种基于集成深度卷积神经网络的胰腺CT图像分割方法，其特征在于，所述c1＝160,c2＝160,c3＝64。
5.根据权利要求1所述的一种基于集成深度卷积神经网络的胰腺CT图像分割方法，其特征在于，所述d1＝256,d2＝160,d3＝128。
CN202011052799.0A 2020-09-29 2020-09-29 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 Active CN112116605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011052799.0A CN112116605B (zh) 2020-09-29 2020-09-29 一种基于集成深度卷积神经网络的胰腺ct图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011052799.0A CN112116605B (zh) 2020-09-29 2020-09-29 一种基于集成深度卷积神经网络的胰腺ct图像分割方法

Publications (2)

Publication Number Publication Date
CN112116605A CN112116605A (zh) 2020-12-22
CN112116605B true CN112116605B (zh) 2022-04-22

Family

ID=73798390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011052799.0A Active CN112116605B (zh) 2020-09-29 2020-09-29 一种基于集成深度卷积神经网络的胰腺ct图像分割方法

Country Status (1)

Country Link
CN (1) CN112116605B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614145B (zh) * 2020-12-31 2022-04-12 湘潭大学 一种基于深度学习的颅内出血ct图像分割方法
CN112634265B (zh) * 2021-01-04 2023-04-07 西北大学 基于dnn的胰腺全自动分割模型的构建、分割方法及系统
CN112634293A (zh) * 2021-01-14 2021-04-09 北京工业大学 一种基于由粗到细密集编解码网络的颞骨内耳骨腔结构自动分割方法
CN112862785B (zh) * 2021-02-10 2022-11-18 昆明同心医联科技有限公司 Cta影像数据识别方法、装置及存储介质
CN112950653B (zh) * 2021-02-26 2023-05-23 山东英信计算机技术有限公司 一种注意力图像分割方法、装置及介质
CN113269783A (zh) * 2021-04-30 2021-08-17 北京小白世纪网络科技有限公司 一种基于三维注意力机制的肺结节分割方法及装置
CN112991365B (zh) * 2021-05-11 2021-07-20 广东工业大学 一种冠状动脉分割方法、系统及存储介质
CN113284151A (zh) * 2021-06-07 2021-08-20 山东澳望德信息科技有限责任公司 一种基于深度卷积神经网络的胰腺分割方法及系统
CN114663431B (zh) * 2022-05-19 2022-08-30 浙江大学 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统
CN114782440B (zh) * 2022-06-21 2022-10-14 杭州三坛医疗科技有限公司 医学图像分割方法及电子设备
CN115393730B (zh) * 2022-07-15 2023-05-30 南京林业大学 一种火星陨石坑精确识别方法、电子设备及存储介质
CN116416239B (zh) * 2023-04-13 2024-03-12 中国人民解放军海军军医大学第一附属医院 胰腺ct图像分类方法、图像分类模型、电子设备及介质
CN116363373B (zh) * 2023-06-01 2023-10-13 南京大学 基于级联末端引导机制的扩张胰管分割方法
CN116468741B (zh) * 2023-06-09 2023-09-22 南京航空航天大学 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法
CN116452614B (zh) * 2023-06-15 2023-09-01 北京大学 基于深度学习的超声图像分割方法和系统
CN117593292B (zh) * 2024-01-18 2024-04-05 江西师范大学 一种基于三维正交注意力的ct图像目标检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537793A (zh) * 2018-04-17 2018-09-14 电子科技大学 一种基于改进的u-net网络的肺结节检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898606B (zh) * 2018-06-20 2021-06-15 中南民族大学 医学图像的自动分割方法、系统、设备及存储介质
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110889852B (zh) * 2018-09-07 2022-05-06 天津大学 基于残差-注意力深度神经网络的肝脏分割方法
CN109598727B (zh) * 2018-11-28 2021-09-14 北京工业大学 一种基于深度神经网络的ct图像肺实质三维语义分割方法
CN109754404B (zh) * 2019-01-02 2020-09-01 清华大学深圳研究生院 一种基于多注意力机制的端到端的肿瘤分割方法
CN110136133A (zh) * 2019-03-11 2019-08-16 嘉兴深拓科技有限公司 一种基于卷积神经网络的脑肿瘤分割方法
CN110458249B (zh) * 2019-10-10 2020-01-07 点内（上海）生物科技有限公司 一种基于深度学习与概率影像组学的病灶分类系统
CN110992370B (zh) * 2019-11-19 2023-07-04 东软医疗系统股份有限公司 一种胰腺组织的分割方法、装置及终端设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537793A (zh) * 2018-04-17 2018-09-14 电子科技大学 一种基于改进的u-net网络的肺结节检测方法

Also Published As

Publication number Publication date
CN112116605A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112116605B (zh) 一种基于集成深度卷积神经网络的胰腺ct图像分割方法
CN111524106B (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN108898175B (zh) 基于深度学习胃癌病理切片的计算机辅助模型构建方法
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN109272048B (zh) 一种基于深度卷积神经网络的模式识别方法
CN112767417B (zh) 一种基于级联U-Net网络的多模态图像分割方法
CN113762138B (zh) 伪造人脸图片的识别方法、装置、计算机设备及存储介质
CN111932529B (zh) 一种图像分类分割方法、装置及系统
CN113674253A (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
CN112700461B (zh) 一种肺结节检测和表征类别识别的系统
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
CN114332572B (zh) 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法
CN112420170B (zh) 一种提高计算机辅助诊断系统图片分类准确度的方法
CN114864075A (zh) 一种基于病理图像的胶质瘤级别分析方法及装置
CN113344110B (zh) 一种基于超分辨率重建的模糊图像分类方法
CN115131628A (zh) 一种基于分型辅助信息的乳腺图像分类方法及设备
CN115331047A (zh) 基于注意力机制的地震图像解释方法
CN114118123A (zh) 荧光染色的尿脱落细胞识别方法及系统
CN114331996A (zh) 基于自编码解码器的医学影像分型方法及系统
Athanasiadis et al. Segmentation of complementary DNA microarray images by wavelet-based Markov random field model
CN111932486A (zh) 一种基于3d卷积神经网络的脑胶质瘤分割方法
Xu et al. Correlation via synthesis: End-to-end image generation and radiogenomic learning based on generative adversarial network
Xiong et al. Processing Tissue Micro-Array Images Using Machine Learning Techniques as Preparation for Determining Gleason Grade of Prostate Cancer
Yang et al. Metal surface defects segmentation method using cycle generative adversarial networks on small datasets

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