CN112819807A - 一种用于新冠肺炎的全自动分割方法 - Google Patents
一种用于新冠肺炎的全自动分割方法 Download PDFInfo
- Publication number
- CN112819807A CN112819807A CN202110204276.1A CN202110204276A CN112819807A CN 112819807 A CN112819807 A CN 112819807A CN 202110204276 A CN202110204276 A CN 202110204276A CN 112819807 A CN112819807 A CN 112819807A
- Authority
- CN
- China
- Prior art keywords
- version
- algorithm
- data set
- python
- pneumonia
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000012805 post-processing Methods 0.000 claims abstract description 6
- 241000512668 Eunectes Species 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 4
- 208000025721 COVID-19 Diseases 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims 1
- 230000004913 activation Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 claims 1
- 210000004072 lung Anatomy 0.000 abstract description 5
- 241000282414 Homo sapiens Species 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 206010028980 Neoplasm Diseases 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 238000009434 installation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract 1
- 230000018109 developmental process Effects 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 241000711573 Coronaviridae Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005182 global health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (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
本发明公开了一种用于新冠肺炎的全自动分割方法，包括实验环境和算法研究两大部分。本发明的实验平台为Linux(Ubuntu 16)操作系统，显卡为NVIDIA GeForce GTX 1080Ti。算法研究主要是对CT图肺部粗分割和对肺炎肿瘤的细分割。整个系统的运行流程为：1.安装Linux操作系统(采用Ubuntu16)，配置Anaconda版本为Ananconda3，python版本为3.6，CUDA版本为10.0，pytorch版本为1.6以及其他所需要的安装包。2.对数据集进行预处理操作，该操作在装有Anaconda环境的pycharm中运行。3.对处理过后的数据集使用nnUNet进行分割。4.对经过训练后输出的图片进行后处理。5.通过评价指标在测试集上对该模型进行评价。该发明的主要目的在于推进智慧医疗，节约人工成本，提前预防疾病，早发现早治疗，从而保证人类健康，推动社会发展。
Description
技术领域
本发明属于智能医学方面，涉及到一种全自动分割技术——新冠肺炎的分割。
背景技术
2019年12月，世界正面临一场全球性的健康危机:一种新型冠状病毒疾病的大流行该病毒在世界范围大面积爆发，引起了全球人民的广泛关注。这种新型冠状病毒被称为SARA-COV-2,也可称之为冠状病毒疾病2019(新冠肺炎)。由于该疾病传播途径颇多、传染能力极强、传播速度极快，截止2021年1月25日，全球累计病例已达99742889例，其中累计死亡达2135750例。这对全球人类的健康构成了极大的威胁。因此，及早发现新冠肺炎病例的危险因素不仅对治愈患者至关重要，也对防护该类疾病意义重大。
然而由于医学图像本身的不规则性，而且人体肺部结构复杂，其组织位置之间重叠交错，与自然图像相比，肺部图像更加复杂。医学图像的像素值范围与自然图像(0~255)有很大的区别，CT图都会上千。再者，噪声与肿瘤图像的非噪声区域很难通过灰度值进行区分。传统的肺炎分割方法需要有经验的医生手动地进行识别，标注，分割，耗时耗力，再加上不同的医生对数据集的标注存在一定的主观经验判断，标准不统一、可再现性非常差。综上所述，建立一个精度较高的全自动的分割算法，无论是对人类的健康还是智能医疗的推进都具有极大的意义。
发明内容
基于深度学习的UNet算法对医学图像分割有巨大优势，本发明提供一种基于Unet的nnUNet全自动医学图像分割系统，以解决现有算法中训练速度缓慢，训练过程困难，训练结果精度较低的问题。其具体方案如下：
第一方面，本申请实例提供了一种全自动肺炎分割方法，包括：
在kaggle上获取数据集。
搭建Pytorch，TensorFlow框架，和CUDA,cudnn并行计算框架。
该系统首先对输入的图片进行预处理，预处理主要包括数据归一化、阈值分割、图像增强、图像去噪。该过程主要是为后续训练提供准备。
在训练模型之前，将系统所需的环境搭建好，测试无误后即可开始训练。主要过程是将预处理过后的数据集送入nnUNet网络中开始训练。
最后经过网络训练的图片通过形态学的方法进行后处理，使得输出图片的边缘更加平滑。
第二方面，本申请实例提供了一种自动肺炎分割系统，包括：
实验环境：本发明的实验平台为Linux(Ubuntu 16)操作系统，显卡为NVIDIAGeForce GTX 1080Ti。
算法研究：主要是对CT图肺部粗分割和对肺炎肿瘤的细分割。
整个系统的运行流程为：1.安装Linux操作系统(采用Ubuntu16)，配置Anaconda版本为Ananconda3，python版本为3.6，CUDA版本为10.0，pytorch版本为1.6以及其他所需要的安装包。2.对数据集进行预处理操作，该操作在装有Anaconda环境的pycharm中运行。3.对处理过后的数据集使用nnUNet进行分割。4.对经过训练后输出的图片进行后处理。5.通过评价指标在测试集上对该模型进行评价。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实例提供的一种用于新冠肺炎的全自动分割方法系统整体框架示意图；
图2软件系统整体设计；
图3 nnUNet的网络结构图；
图4训练过程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
由图1可知，该申请的实验平台是基于Linux操作系统下完成的，其中包括：
CPU：该CPU的内存为16G，作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元。
GPU: NVIDIA GeForce GTX 1080Ti是一款NVIDIA系列的显卡, 采用了16nm制程GP102核心，拥有3584个CUDA核心，224个纹理单元，88个ROP单元,搭配352-bit11GB超大容量显存，等效频率提高到11GHz。
编程语言：Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言。
软件系统整体设计如图2所示，其中包括了如下步骤：
步骤1：配置环境，主要包括pycharm编译环境以及Pytorch、TensorFlow、SimpleITK、numpy、shutil、pandas、argparse、unittest等安装包。
步骤2：在pycharm中创建工程，将数据集通过整体数据Crop（只在非零区域内crop，减少计算消耗）重采样（数据集中存在不同spacing的数据，默认自动归一化到数据集所有数据spacing的中值spacing。）、归一化（通过统计整个数据集中mask内像素的HU值范围然后使用z-score方法进行归一化；）。
步骤3：将经过预处理的图片送入nnUNet中进行从头训练，使用五折交叉验证。nnUNet的网络结构如图3所示。此时将学习率的初始值设为0.0001，随epoch次数不断减小，将epoch次数设置为当Dice值不再升高时停止训练，损失函数选择交叉熵loss和Dice_loss相结合的方式，各占权重的一半、优化器选择Adm进行优化。
步骤4：对经过nnUNet训练后输出的图片进行后处理，主要就是使用连通域分析。
步骤5：测试模型文件的识别精度是否达到预期要求，根据实验结果调节算法所涉及的参数，进行验证和比对。
图4为训练过程图。
Claims (2)
1.一种用于新冠肺炎的全自动分割技术，其特征在于，实验平台包括CPU,GPU,编程语言。
所述的CPU内存为16G，作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元。
所述的GPU为NVIDIA GeForce GTX 1080Ti，是一款NVIDIA系列的显卡,采用了16nm制程GP102核心，拥有3584个CUDA核心，224个纹理单元，88个ROP单元,搭配352-bit11GB超大容量显存，等效频率提高到11GHz。
所述的编程语言为Python，该语言提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言。
2.根据权利要求1所述的系统，其特征在于要对新冠肺炎进行全自动且快速准确的分割。为此所选用的算法为nnUNet算法，网络中的算法模型使用全卷积神经网络，并在CSSECOVID-19数据集上进行训练和评估。整个系统的运行流程为：安装Linux操作系统，配置Anaconda版本为Ananconda3、python版本为3.6、CUDA版本为10.0、pytorch版本为1.6，对数据集进行预处理操作，对处理过后的数据集使用nnUNet进行分割，对经过训练后输出的图片进行后处理，评估结果。该过程中使用五折交叉验证，激活函数使用RELU函数，如公式1所示；损失函数采用dice loss和交叉熵loss相结合的方式，各权重均为0.5，如公式2所示。优化器选择Adam算法优化器进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110204276.1A CN112819807A (zh) | 2021-02-24 | 2021-02-24 | 一种用于新冠肺炎的全自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110204276.1A CN112819807A (zh) | 2021-02-24 | 2021-02-24 | 一种用于新冠肺炎的全自动分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819807A true CN112819807A (zh) | 2021-05-18 |
Family
ID=75865170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110204276.1A Pending CN112819807A (zh) | 2021-02-24 | 2021-02-24 | 一种用于新冠肺炎的全自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819807A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361353A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 一种基于DeepLabV3Plus的斑马鱼形态学评分方法 |
| CN113781403A (zh) * | 2021-08-19 | 2021-12-10 | 东北大学 | 一种胸部ct影像处理方法与装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
| CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
| CN111932559A (zh) * | 2020-08-26 | 2020-11-13 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割系统 |
| CN112085696A (zh) * | 2020-07-24 | 2020-12-15 | 中国科学院深圳先进技术研究院 | 医学图像分割网络模型的训练方法、分割方法及相关设备 |
-
2021
- 2021-02-24 CN CN202110204276.1A patent/CN112819807A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
| CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
| CN112085696A (zh) * | 2020-07-24 | 2020-12-15 | 中国科学院深圳先进技术研究院 | 医学图像分割网络模型的训练方法、分割方法及相关设备 |
| CN111932559A (zh) * | 2020-08-26 | 2020-11-13 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割系统 |
Non-Patent Citations (2)
| Title |
|---|
| FABIAN ISENSEE等: "nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation", 《NATURE METHODS》 * |
| 谢飞等: "基于深度学习的腹部多器官图像分割", 《西北大学学报（自然科学版）》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361353A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 一种基于DeepLabV3Plus的斑马鱼形态学评分方法 |
| CN113781403A (zh) * | 2021-08-19 | 2021-12-10 | 东北大学 | 一种胸部ct影像处理方法与装置 |
| CN113781403B (zh) * | 2021-08-19 | 2023-10-13 | 东北大学 | 一种胸部ct影像处理方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | SAR-U-Net: Squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver segmentation in Computed Tomography | |
| CN112819807A (zh) | 一种用于新冠肺炎的全自动分割方法 | |
| Qiao et al. | Application of SVM based on genetic algorithm in classification of cataract fundus images | |
| CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
| CN110705583A (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
| 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 | |
| İnik et al. | A new method for automatic counting of ovarian follicles on whole slide histological images based on convolutional neural network | |
| CN110110723B (zh) | 一种图像中目标区域自动提取的方法及装置 | |
| CN109978880A (zh) | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 | |
| US20220366679A1 (en) | Methods and systems for training learning network for medical image analysis | |
| CN109544564A (zh) | 一种医疗图像分割方法 | |
| WO2022089257A1 (zh) | 医学图像处理方法、装置、设备、存储介质及产品 | |
| Tang et al. | Cmu-net: a strong convmixer-based medical ultrasound image segmentation network | |
| Katre et al. | Detection of lung cancer stages using image processing and data classification techniques | |
| CN111681247B (zh) | 肺叶肺段分割模型训练方法和装置 | |
| Liu et al. | Joint disease classification and lesion segmentation via one-stage attention-based convolutional neural network in OCT images | |
| Wang et al. | Segmenting crop disease leaf image by modified fully-convolutional networks | |
| WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
| Gawade et al. | Early-stage apple leaf disease prediction using deep learning | |
| CN113888535A (zh) | 智齿阻生类型识别方法及系统 | |
| CN112419335B (zh) | 一种细胞核分割网络的形状损失计算方法 | |
| Zhou et al. | Automated detection of red lesions using superpixel multichannel multifeature | |
| CN115984312A (zh) | 图像分割方法、电子设备及计算机可读存储介质 | |
| US20240020958A1 (en) | Systems and methods for determining regions of interest in histology images |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210518 |
|
| WD01 | Invention patent application deemed withdrawn after publication |