CN112651929A - 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 - Google Patents
基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 Download PDFInfo
- Publication number
- CN112651929A CN112651929A CN202011425366.5A CN202011425366A CN112651929A CN 112651929 A CN112651929 A CN 112651929A CN 202011425366 A CN202011425366 A CN 202011425366A CN 112651929 A CN112651929 A CN 112651929A
- Authority
- CN
- China
- Prior art keywords
- medical image
- data
- organ segmentation
- result
- region
- 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.)
- Granted
Links
- 210000000056 organ Anatomy 0.000 title claims abstract description 104
- 230000011218 segmentation Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000012010 growth Effects 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003759 clinical diagnosis Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000035040 seed growth Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000002784 stomach 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
- G06T7/0002—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于三维全卷积神经网络及区域生长的医学影像器官分割方法，包括：对医学影像数据进行数据预处理；对数据预处理后的医学影像数据进行数据裁剪，得到数据裁剪结果；将数据裁剪结果输入低分辨率的三维全卷积网络，输出VOI区域；对VOI区域采用各向同性的空间体重采样，作为高分辨率的三维全卷积网络的输入，得到器官分割预测结果A；选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；其中，k为正整数；对器官分割预测结果A与器官分割预测结果B进行融合，得到融合结果；对融合结果进行去噪处理，得到器官分割结果，本发明提升了分割精度。
Description
技术领域
本发明属于医学影像器官分割技术领域，具体涉及基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统。
背景技术
随着人口的增加与信息技术的发展，医疗事业融入信息技术已经是目前医学发展的必然趋势。医学图像是当前医学领域进行相应研究的一种重要手段，同时也是进行临床诊断医疗的主要依据所在。研究医学图像，主要对医学图像的采集、处理、分析进行研究。医学图像处理是医疗事业的重要组成部分。随着信息科学技术的发展，特别是医疗器械的发展，采用计算机算法自动化处理医学图像的方式受到了越来越多的关注。同时，人工智能技术的发展和其在医疗健康领域的应用越来越广泛，医疗事业中医学图像处理的研究，也随着人工智能的技术一同发展，并在图像处理、图像分割、图像降噪上起到了重要的作用，进而提高了医疗临床诊断的效率与质量。另外，人口老龄化以及职业医师数量的短缺，远远无法应对如此庞大的日均门诊量；而人工智能技术的发展为这一问题提供了一条道路，催生了医疗智能化，引入人工智能、云计算、大数据等技术，可以有效提升临床诊断效率，扩大医疗服务供给需求趋于平衡。
在医疗临床诊断的过程中，医师需要在计算机上，在CT图像中手动逐张逐层勾画器官或病灶的标记轮廓线。医生手动勾画标注这一步骤会消耗大量的时间，增加医生的工作量，相对来说技术含量较低，重复性、低水平的操作会使得临床诊断量减少，降低医生的工作效率，同时增加病人的等待时间，在等待的工程中，可能会使得病人的病情加重发展，在一定程度上影响了病人的健康以及后续诊断治疗的难度。除此之外，不同医生对相同的器官或病变的理解上存在差异，导致同一张图像会由医生标注习惯和医学经验的差异，得到不同的勾画标注，难以形成一套统一的评价标准。
近些年，由于人工智能技术的发展与计算机硬件水平的提高，在可用的已标注数据集不断增加的情况下，带来了基于深度学习算法的快速发展进步；尤其是在医疗领域上的应用，使得全自动的器官病灶勾画分割成为了现实。全自动的深度学习分割算法旨在自动的识别，并将目标器官病灶在CT图像中分割出来，来取代医生手动标注勾画的工作，减少医生的工作负担，提升工作效率。在半自动的传统图像处理算法中，首先需要医生手动选取目标器官或目标点，并通过不同的算法进行分割处理，在一定程度上减少了医生的工作量。而在全自动的基于深度学习算法进行图像处理时，只需要输入CT图像，可以在短时间内，直接得到较高器官或者病灶的分割结果。但在某些边界模糊，形变等情况下，深度学习算法的结果略逊于传统的半自动算法的结果。
目前，对于器官病灶的分割算法，大多使用全卷积的深度学习算法，例如：公开号为CN111415359A的专利文献公开的一种自动化分割医学影像多器官的方法，虽然具有较好的分割效果和准确度；但是，对于目标较小、形变较大或者边界不清晰的器官，现有的分割算法的分割效果仍有待提升。
发明内容
基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统。
为了达到上述发明目的，本发明采用以下技术方案：
基于三维全卷积神经网络及区域生长的医学影像器官分割方法，包括以下步骤：
S1、对医学影像数据进行数据预处理；
S2、对数据预处理后的医学影像数据进行数据裁剪，得到数据裁剪结果；
S3、将数据裁剪结果输入低分辨率的三维全卷积网络，输出VOI区域；
S4、对VOI区域采用各向同性的空间体重采样，作为高分辨率的三维全卷积网络的输入，得到器官分割预测结果A；
选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；其中，k为正整数；
S5、对器官分割预测结果A与器官分割预测结果B进行融合，得到融合结果；
S6、对融合结果进行去噪处理，得到器官分割结果。
作为优选方案，所述步骤S1，具体包括：
S11、确定灰度值目标区间以对医学影像数据进行数据截断；
S12、对数据截断后保留的医学影像数据使用各向同性的空间体进行重采样；
S13、对重采样后的医学影像数据进行Z-Score处理。
作为优选方案，所述步骤S2，具体包括：
随机选取数个种子点并以种子点为中心扩展到指定尺寸对预处理后的医学影像数据进行数据裁剪；同时也采用滑动窗口，以预设步长对预处理后的医学影像数据进行数据裁剪。
作为优选方案，所述步骤S5，具体包括：
Predict＝α*predictA+β*predictB
其中，Predict为融合结果，predictA为器官分割预测结果A，predictB为器官分割预测结果B，α、β分别为相应的权重，满足α+β＝1。
作为优选方案，所述步骤S6中，去噪处理采用提取最大连通区域以去除孤立的噪声区域。
作为优选方案，所述三维全卷积网络采用Vnet网络。
本发明还提供基于三维全卷积神经网络及区域生长的医学影像器官分割系统，包括：
数据预处理模块，用于对医学影像数据进行数据预处理；
数据裁剪模块，用于对数据预处理后的医学影像数据进行数据裁剪；
低分辨率的三维全卷积网络，以数据裁剪结果作为输入，输出VOI区域；
重采样模块，用于对VOI区域采用各向同性的空间体重采样，得到重采样后的VOI区域；
高分辨率的三维全卷积网络，以重采样后的VOI区域作为输入，输出器官分割预测结果A；
区域生长模块，用于选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；
融合模块，用于对器官分割预测结果A和器官分割预测结果B进行融合，得到融合结果；
去噪模块，用于对融合结果进行去噪处理；
输出模块，用于输出去噪后的融合结果，即器官分割结果。
作为优选方案，所述对数据预处理后的医学影像数据进行数据裁剪，包括：
随机选取数个种子点并以种子点为中心扩展到指定尺寸对预处理后的医学影像数据进行数据裁剪；同时也采用滑动窗口，以预设步长对预处理后的医学影像数据进行数据裁剪。
作为优选方案，所述器官分割预测结果A与器官分割预测结果B进行融合包括：
Predict＝α*predictA+β*predictB
其中，Predict为融合结果，predictA为器官分割预测结果A，predictB为器官分割预测结果B，α、β分别为相应的权重，满足α+β＝1。
作为优选方案，所述去噪模块采用提取最大连通区域以去除孤立的噪声区域。
本发明与现有技术相比，有益效果是：
本发明的基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统，结合三维全卷积神经网络的预测结果及区域生长的预测结果，将两者融合并进行去噪处理，得到最终的医学影像器官分割预测，分割精度高；特别是针对目标较小、形变较大或者边界不清晰的器官，分割效果佳。
附图说明
图1是本发明实施例1的基于三维全卷积神经网络及区域生长的医学影像器官分割方法的流程图；
图2是本发明实施例1的基于三维全卷积神经网络及区域生长的医学影像器官分割系统的框架图；
图3是对比例1与实施例1的器官分割对比图，两排为不同的器官。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例1：
本实施例的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，以CT影像数据(简称CT数据)为例进行详细说明。
如图1所示，具体地，医学影像器官分割方法包括以下步骤：
S0、模型输入数据为原始CT数据；
S1、对原始CT数据进行数据预处理；
具体地，数据预处理的过程包括：
S11、确定灰度值目标区间以对医学影像数据进行数据截断；具体通过对原始CT数据进行分析统计与医学背景调研后，找到一个合适，且涵盖了目标值范围的灰度值区间[a，b]来对CT数据进行数据截断，只保留感兴趣的数据区间，减少非目标区间的数据干扰。
S12、对数据截断后保留的CT数据使用各向同性的空间体进行重采样；使用各向同性的空间体在整个图像上进行重采样到z mm*y mm*x mm，以减少不同图像之间的不一致性，便于卷积操作提取共同的特征；
S13、对重采样后的医学影像数据进行Z-Score处理。使用Z-Score对数据进行规范化，避免网络权重初始化的时候产生明显的扰动；另外，使用Z-Score还可以防止数据规范化是被压缩，造成的规范化后数据区分度不高的现象。
S2、对数据预处理后的CT数据进行数据裁剪，得到数据裁剪结果；
具体地，由于CT图像尺寸较大，整个3D的CT图像作为网络的输入会对计算资源要求过高，还会降低计算速度；因此，在CT图像随机选取数个种子点，并以种子点为中心扩展到指定尺寸(尺寸小于CT图像的原尺寸)对数据预处理后的CT数据进行数据裁剪；同时也采用滑动窗口，以预设步长s对预处理后的CT数据进行数据裁剪；数据裁剪的输出作为低分辨率的全卷积网络的输入，这样可以减少使用计算机资源占用，增加样本数量，减少样本不平衡的情况下，训练模型并粗略定位得到目标的VOI(Volume of Interest)区域。
S3、将数据裁剪结果输入低分辨率的三维全卷积网络，输出VOI区域；其中，三维全卷积网络采用Vnet网络；
S4、对VOI区域采用示例为1mm的各向同性的空间体重采样，作为高分辨率的三维全卷积网络的输入，得到器官分割预测结果A；其中，高分辨率的三维全卷积网络更侧重于预测精确的目标的边界，采用Vnet网络；
选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；其中，k为正整数。使用区域生长算法将具有相似性质的像素集合起来构成区域，具体先在粗分割预测的VOI区域中，选取k个置信度最高的像素点作为种子生长的初始种子点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中；将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，最后得到一个分割预测的输出，即器官分割预测结果B；
S5、对器官分割预测结果A与器官分割预测结果B进行融合，得到融合结果；
具体地，融合的公式为：
Predict＝α*predictA+β*predictB
其中，Predict为融合结果，predictA为器官分割预测结果A，predictB为器官分割预测结果B，α、β分别为相应的权重，满足α+β＝1。
高分辨率Vnet全卷积网络的器官分割预测结果A与区域种子生长算法的器官分割预测结果B，以上述融合公式的计算方法，使用权重α、β融合两个算法模型的输出，以达到更好的预测效果；
S6、对融合结果进行去噪处理，得到器官分割结果。具体地，通过提取最大连通区域以去除孤立的噪声区域，进一步提升器官分割的精度。
器官分割通常是对胸腹部CT图像中的器官，包括心脏、肝脏、肺、肾、胃、脾、主动脉、静脉、胆囊、胰腺等器官，进行分割。类似胰腺这类边界不清晰且形变较大的器官，或静脉这种分布多且小的目标，目前较多使用的全卷积分割算法的结果表现一般，而采用本实施例的器官分割方法，分割精度高。
如图2所示，对应于本实施例的器官分割方法，本实施例还提供基于三维全卷积神经网络及区域生长的医学影像器官分割系统，包括数据预处理模块100、数据裁剪模块200、低分辨率的三维全卷积网络300、重采样模块400、高分辨率的三维全卷积网络500、区域生长模块600、融合模块700、去噪模块800和输出模块900。
其中，数据预处理模块100用于对医学影像数据进行数据预处理；数据预处理包括：
(1)确定灰度值目标区间以对医学影像数据进行数据截断；具体通过对原始CT数据进行分析统计与医学背景调研后，找到一个合适，且涵盖了目标值范围的灰度值区间[a，b]来对CT数据进行数据截断，只保留感兴趣的数据区间，减少非目标区间的数据干扰。
(2)对数据截断后保留的CT数据使用各向同性的空间体进行重采样；使用各向同性的空间体在整个图像上进行重采样，以减少不同图像之间的不一致性，便于卷积操作提取共同的特征；
(3)对重采样后的医学影像数据进行Z-Score处理。使用Z-Score对数据进行规范化，避免网络权重初始化的时候产生明显的扰动；另外，使用Z-Score还可以防止数据规范化是被压缩，造成的规范化后数据区分度不高的现象
数据裁剪模块200用于对数据预处理后的医学影像数据进行数据裁剪；由于CT图像尺寸较大，整个3D的CT图像作为网络的输入会对计算资源要求过高，还会降低计算速度；因此，在CT图像随机选取数个种子点，并以种子点为中心扩展到指定尺寸(尺寸小于CT图像的原尺寸)对数据预处理后的CT数据进行数据裁剪；同时也采用滑动窗口，以预设步长s对预处理后的CT数据进行数据裁剪；数据裁剪的输出作为低分辨率的全卷积网络的输入，这样可以减少使用计算机资源占用，增加样本数量，减少样本不平衡的情况下，训练模型并粗略定位得到目标的VOI(Volume of Interest)区域。
低分辨率的三维全卷积网络300以数据裁剪结果作为输入，输出VOI区域；其中，三维全卷积网络采用Vnet网络。
重采样模块400用于对VOI区域采用示例为1mm的各向同性的空间体重采样，得到重采样后的VOI区域，作为高分辨率的三维全卷积网络的输入。
高分辨率的三维全卷积网络500，以重采样后的VOI区域作为输入，输出器官分割预测结果A；其中，高分辨率的三维全卷积网络更侧重于预测精确的目标的边界，采用Vnet网络。
区域生长模块600用于选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；其中，k为正整数。使用区域生长算法将具有相似性质的像素集合起来构成区域，具体先在粗分割预测的VOI区域中，选取k个置信度最高的像素点作为种子生长的初始种子点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中；将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，最后得到一个分割预测的输出，即器官分割预测结果B。
融合模块700用于对器官分割预测结果A和器官分割预测结果B进行融合，得到融合结果。
具体地，器官分割预测结果A与器官分割预测结果B进行融合的公式为：
Predict＝α*predictA+β*predictB
其中，Predict为融合结果，predictA为器官分割预测结果A，predictB为器官分割预测结果B，α、β分别为相应的权重，满足α+β＝1
去噪模块800用于对融合结果进行去噪处理；具体地，通过提取最大连通区域以去除孤立的噪声区域，进一步提升器官分割的精度。
输出模块900用于输出去噪后的融合结果，即器官分割结果。最终输出的图像所对应的每个器官掩模(Mask)。
对比例1：
采用现有技术的Unet网络进行预测，其他步骤同实施例1。如图3可知，实施例1的算法的分割精度更高。
对比例2：
采用公开号为CN111415359A的专利文献公开的一种自动化分割医学影像多器官的方法。
实施例1及对比例1-2的对比：
采用Dice系数作为网络的损失函数，Dice损失函数相比交叉熵损失函数，它更加关注器官的表现。如表1所示，本实施例的器官分割方法，显著提升器官的分割效果。
表1实施例1及对比例1-2的Dice评价分数
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (10)
1.基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，包括以下步骤：
S1、对医学影像数据进行数据预处理；
S2、对数据预处理后的医学影像数据进行数据裁剪，得到数据裁剪结果；
S3、将数据裁剪结果输入低分辨率的三维全卷积网络，输出VOI区域；
S4、对VOI区域采用各向同性的空间体重采样，作为高分辨率的三维全卷积网络的输入，得到器官分割预测结果A；
选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；其中，k为正整数；
S5、对器官分割预测结果A与器官分割预测结果B进行融合，得到融合结果；
S6、对融合结果进行去噪处理，得到器官分割结果。
2.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述步骤S1，具体包括：
S11、确定灰度值目标区间以对医学影像数据进行数据截断；
S12、对数据截断后保留的医学影像数据使用各向同性的空间体进行重采样；
S13、对重采样后的医学影像数据进行Z-Score处理。
3.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述步骤S2，具体包括：
随机选取数个种子点并以种子点为中心扩展到指定尺寸对预处理后的医学影像数据进行数据裁剪；同时也采用滑动窗口，以预设步长对预处理后的医学影像数据进行数据裁剪。
4.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述步骤S5，具体包括：
Predict＝α*predictA+β*predictB
其中，Predict为融合结果，predictA为器官分割预测结果A，predictB为器官分割预测结果B，α、β分别为相应的权重，满足α+β＝1。
5.基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述步骤S6中，去噪处理采用提取最大连通区域以去除孤立的噪声区域。
6.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述三维全卷积网络采用Vnet网络。
7.基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，包括：
数据预处理模块，用于对医学影像数据进行数据预处理；
数据裁剪模块，用于对数据预处理后的医学影像数据进行数据裁剪；
低分辨率的三维全卷积网络，以数据裁剪结果作为输入，输出VOI区域；
重采样模块，用于对VOI区域采用各向同性的空间体重采样，得到重采样后的VOI区域；
高分辨率的三维全卷积网络，以重采样后的VOI区域作为输入，输出器官分割预测结果A；
区域生长模块，用于选取VOI区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果B；
融合模块，用于对器官分割预测结果A和器官分割预测结果B进行融合，得到融合结果；
去噪模块，用于对融合结果进行去噪处理；
输出模块，用于输出去噪后的融合结果，即器官分割结果。
8.根据权利要求7所述的基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述对数据预处理后的医学影像数据进行数据裁剪，包括：
随机选取数个种子点并以种子点为中心扩展到指定尺寸对预处理后的医学影像数据进行数据裁剪；同时也采用滑动窗口，以预设步长对预处理后的医学影像数据进行数据裁剪。
9.根据权利要求7所述的基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述器官分割预测结果A与器官分割预测结果B进行融合包括：
Predict＝α*predictA+β*predictB
其中，Predict为融合结果，predictA为器官分割预测结果A，predictB为器官分割预测结果B，α、β分别为相应的权重，满足α+β＝1。
10.根据权利要求7所述的基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述去噪模块采用提取最大连通区域以去除孤立的噪声区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011425366.5A CN112651929B (zh) | 2020-12-09 | 2020-12-09 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011425366.5A CN112651929B (zh) | 2020-12-09 | 2020-12-09 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651929A true CN112651929A (zh) | 2021-04-13 |
| CN112651929B CN112651929B (zh) | 2022-06-10 |
Family
ID=75350392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011425366.5A Active CN112651929B (zh) | 2020-12-09 | 2020-12-09 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651929B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049359A (zh) * | 2021-11-22 | 2022-02-15 | 北京航空航天大学 | 医学影像器官分割方法 |
| CN114240937A (zh) * | 2022-02-24 | 2022-03-25 | 武汉烽火凯卓科技有限公司 | 一种基于ct切片的肾结石检测方法及系统 |
| CN116934738A (zh) * | 2023-08-14 | 2023-10-24 | 威朋（苏州）医疗器械有限公司 | 基于超声图像的器官与结节联合分割方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190139223A1 (en) * | 2017-07-31 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for extracting a region of interest from volume data |
| CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
| CN111415359A (zh) * | 2020-03-24 | 2020-07-14 | 浙江明峰智能医疗科技有限公司 | 一种自动化分割医学影像多器官的方法 |
-
2020
- 2020-12-09 CN CN202011425366.5A patent/CN112651929B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190139223A1 (en) * | 2017-07-31 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for extracting a region of interest from volume data |
| CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
| CN111415359A (zh) * | 2020-03-24 | 2020-07-14 | 浙江明峰智能医疗科技有限公司 | 一种自动化分割医学影像多器官的方法 |
Non-Patent Citations (2)
| Title |
|---|
| GEERT LITJENS等: "《A Survey on Deep Learning in Medical Image Analysis》", 《ARXIV》 * |
| YAN WANG等: "《Abdnominal Multi-organ Segmentation with Organ-Attention Networks and Statistical Fusion》", 《ARXIV》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049359A (zh) * | 2021-11-22 | 2022-02-15 | 北京航空航天大学 | 医学影像器官分割方法 |
| CN114049359B (zh) * | 2021-11-22 | 2024-04-16 | 北京航空航天大学 | 医学影像器官分割方法 |
| CN114240937A (zh) * | 2022-02-24 | 2022-03-25 | 武汉烽火凯卓科技有限公司 | 一种基于ct切片的肾结石检测方法及系统 |
| CN114240937B (zh) * | 2022-02-24 | 2022-05-27 | 武汉烽火凯卓科技有限公司 | 一种基于ct切片的肾结石检测方法及系统 |
| CN116934738A (zh) * | 2023-08-14 | 2023-10-24 | 威朋（苏州）医疗器械有限公司 | 基于超声图像的器官与结节联合分割方法及系统 |
| CN116934738B (zh) * | 2023-08-14 | 2024-03-22 | 威朋（苏州）医疗器械有限公司 | 基于超声图像的器官与结节联合分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651929B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112651929B (zh) | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 | |
| CN110310281B (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
| CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
| CN110008832A (zh) | 基于深度学习人物图像自动分割方法、信息数据处理终端 | |
| CN112446862B (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
| CN112419344B (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
| CN111583385B (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
| CN113139977B (zh) | 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法 | |
| CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| CN114820663B (zh) | 用于确定射频消融治疗的辅助定位方法 | |
| CN113096109A (zh) | 一种肺部医学图像分析方法、设备及系统 | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
| CN110009645B (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
| CN112132189B (zh) | 一种面向cbct图像的密度峰值超像素预处理方法 | |
| CN115661187A (zh) | 用于中药制剂分析的图像增强方法 | |
| CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测系统 | |
| CN112967269A (zh) | 一种基于ct图像的肺结节识别方法 | |
| CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
| CN112861916A (zh) | 一种浸润性宫颈癌病理图像分类方法和系统 | |
| CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 |
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 |