CN112927210A - 一种能够定量分析肾表面结节的量化方法 - Google Patents
一种能够定量分析肾表面结节的量化方法 Download PDFInfo
- Publication number
- CN112927210A CN112927210A CN202110249282.9A CN202110249282A CN112927210A CN 112927210 A CN112927210 A CN 112927210A CN 202110249282 A CN202110249282 A CN 202110249282A CN 112927210 A CN112927210 A CN 112927210A
- Authority
- CN
- China
- Prior art keywords
- feature map
- resolution
- renal
- network
- quantitatively analyzing
- 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 31
- 238000011002 quantification Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 210000003734 kidney Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000008707 rearrangement Effects 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 3
- 206010061481 Renal injury Diseases 0.000 description 3
- 230000001631 hypertensive effect Effects 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 208000000913 Kidney Calculi Diseases 0.000 description 1
- 206010029148 Nephrolithiasis Diseases 0.000 description 1
- 206010038470 Renal infarct Diseases 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 208000037806 kidney injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 208000019206 urinary tract infection Diseases 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种能够定量分析肾表面结节的量化方法，涉及医疗相关技术领域，包括U‑Net“编码器‑解码器”型网络，所述U‑Net“编码器‑解码器”型网络包括有：A1、超分辨率模块；A2、兼顾全局与细节的注意力模块；A3、网络结构；A4、肾表面结节量化。本发明为一种能够定量分析肾表面结节的量化方法，利用计算机量化肾表面结节的不规则程度，提高量化效率、减少测量者间差异，方便推广应用。
Description
技术领域
本发明涉及医疗相关技术领域，具体为一种能够定量分析肾表面结节的量化方法。
背景技术
正常肾脏形态像一粒蚕豆，形态饱满、表面光滑，但在高血压性肾损伤、肾结石及其它肾脏疾病的情况下，肾脏表面发生改变，CT图像上表现为肾表面凹凸不平；肾表面的结节部分规则或不规则，可能代表不同的肾损伤病因，包括：高血压性肾损伤、尿路感染或部分肾梗死等；肾表面结节程度可预测疾病的严重程度；如，在高血压患者中，肾表面结节越明显，全身性靶器官的损伤约严重，其发生各种并发症或各种不良事件的风险越大；因此，这里设计了一种能够定量分析肾表面结节的量化方法，以便于解决上述问题。
发明内容
本发明的目的在于提供一种能够定量分析肾表面结节的量化方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种能够定量分析肾表面结节的量化方法，包括U-Net“编码器-解码器”型网络，所述U-Net“编码器-解码器”型网络包括有：
A1、超分辨率模块；
A2、兼顾全局与细节的注意力模块；
A3、网络结构；
A4、肾表面结节量化。
在进一步的实施例中，U-Net“编码器-解码器”型网络基于深度为5层的U-Net网络，向右侧指示的箭头表示卷积+批归一化+激活，向下指示的箭头表示的下池化层采用池化步长为2的最大值池化；向上指示的箭头表示对应最大值池化的上采样操作。
在进一步的实施例中，上采样是卷积神经网络中常用的用来放大特征图分辨率的技术，这里采用超分辨率像素操作的方式。
在进一步的实施例中，所述超分辨率操作的整个过程为：
Icp＝concat[σ(Wcp)·PS(Iinput)+bcp，funpooi(Iinput)]
超分辨率操作的两条分支网络分别为：
Iunpooling＝funpooi(Iinput)
IPReLU＝σ(Wcp·PS(Iinput)+bcp)。
在进一步的实施例中，提出的兼顾全局与细节的注意力模块将低分辨率的特征图
经过上采样与高分辨率的特征图
进行加操作，使得到的特征图既具有高分辨率图的细节信息，又具有低分辨率图的全局结构信息。
在进一步的实施例中，兼顾全局与细节的注意力模块公式表示如下：
IAtt＝concat[IMul，Iunpooling]。
在进一步的实施例中，网络结构基于U-Net“编码器-解码器”型网络，并提出CP模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割，U-Net是一个左右完全对称的卷积神经网络，在左侧“编码器”分支中，下采样特征图提取特征；在右侧“解码器”分支中，上采样特征图使特征图恢复到输入图片的尺寸，U-Net的跳过连接操作将“编码器”分支的浅层特征图与“解码器”分支的深层特征图级联，将浅层特征图中丰富的上下文信息传入深层网络。
在进一步的实施例中，损失函数采用Dice系数(Dice coefficient)损失，记分割结果为，对应的手动标注为()，表示多分类的类别，表示像素点，网络的损失函数如下：
在进一步的实施例中，使用Marching Cube算法把肾脏分割结果转化为表面数据，记为S1，进一步对S1，使用Quadric Decimation表面简化算法与Laplacian表面平滑算法，得到简化与平滑后的表面数据，记为S2，对于表面数据S1，计算每个顶点到表面数据S2的欧氏距离，对表面数据S1顶点的欧氏距离使用阈值方法，保留大于给定阈值的顶点与距离值，并计算这些顶点的最小值、最大值、中值和均值，以中值作为肾表面结节量化标准。
与现有技术相比，本发明的有益效果是：
本发明为一种能够定量分析肾表面结节的量化方法，利用计算机量化肾表面结节的不规则程度，提高量化效率、减少测量者间差异，方便推广应用，基于CT图像的肾脏表面自动化分割，采用基于U-Net“编码器-解码器”型网络，并提出超分辨率模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割；肾表面结节量化，使用Marching Cube算法把肾脏分割结果转化为表面数据S1，使用表面简化算法和平滑算法得到简化与平滑后的表面数据S2，计算多个顶点S1到表面数据S2的欧氏距离，标化处理。
附图说明
图1为本发明主体结构U-Net网络图；
图2为本发明的超分辨率操作结构框图；
图3为本发明的兼顾全局与细节的注意力模块结构框图。
具体实施方式
下面将结合本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例
请参阅图1-3，本实施例提供了一种能够定量分析肾表面结节的量化方法，包括U-Net“编码器-解码器”型网络，U-Net“编码器-解码器”型网络包括有：
A1、超分辨率模块；
A2、兼顾全局与细节的注意力模块；
A3、网络结构；
A4、肾表面结节量化。
其中，U-Net“编码器-解码器”型网络基于深度为5层的U-Net网络，向右侧指示的箭头表示卷积+批归一化+激活，向下指示的箭头表示的下池化层采用池化步长为2的最大值池化；向上指示的箭头表示对应最大值池化的上采样操作。
其中，上采样是卷积神经网络中常用的用来放大特征图分辨率的技术，这里采用超分辨率像素操作的方式。
其中，超分辨率操作的整个过程为：
Icp＝concat[σ(Wcp)·PS(Iinput)+bcp，funpooi(Iinput)]
超分辨率操作的两条分支网络分别为：
Iunpooling＝funpooi(Iinput)
IPReLU＝σ(Wcp·PS(Iinput)+bcp)；
为了设计在神经网络中能清晰保留图像边缘的上采样层，本文提出了充分利用网络通道间的信息的超分辨率操作；如图2所示，CP操作示意图，“C”是Concatenate的首字母，表示级联特征图；超分辨率操作包含两个分支网络：一个分支网络由像素重排列层(PixelShuffle，PS)、卷积层、批归一化、激活函数组成；另一个分支网络由一个上采样(un-pooling)层组成；
另外，
表示输入特征图，H为特征图高度，W为特征图宽度，r2C为特征图通道数(Channels)；
表示经过超分辨率操作后的输出特征图；公式中PS(·)的对应图1的右侧支路中的像素重排列操作；
和
是的右侧支路卷积操作(卷积核大小r×r，卷积步长
)的权值和偏置参数，σ表示批归一化和PReLU激活函数操作；funpool(·)对应右侧支路中的上采样(Un-pooling)操作；concat[·]对应图中的“C”，是通道级联操作，表示在通道上对特征图进行合并；
假设输入特征图Iinput送入超分辨率模块前的尺寸(高度×宽度)为H×W，被送入右侧支路后，输入特征图经过像素重新排列层高度宽度各放大r倍，(r为可设置的参数)，特征图尺寸变为rH×rW。然后经过卷积操作将特征图缩小
倍，特征图尺寸变为特征图尺寸变为2H×2W；因此，像素重排列层与卷积操作的组合将特征图放大两倍，而特征图尺寸在经过批归一化和激活函数操作后大小不变；在左侧支路网络中，Un-pooling层将输入特征图放大两倍；经过右侧支路的特征图IPReLU是输入特征图Iinput尺寸的两倍大小，左侧输出特征图Iunpooling同样，因此两个支路网络输出的特征图尺寸相同，通过通道级联操作在通道上实现两支路的输出特征图的合并；
假设输入特征图Iinput送入超分辨率模块前的尺寸(高度×宽度)为H×W，被送入右侧支路后，输入特征图经过像素重新排列层高度宽度各放大r倍(r为可设置的参数)，特征图尺寸变为rH×rW。然后经过卷积操作将特征图缩小
倍，特征图尺寸变为特征图尺寸变为2H×2W。因此，像素重排列层与卷积操作的组合将特征图放大两倍，而特征图尺寸在经过批归一化和激活函数操作后大小不变；在左侧支路网络中，Un-pooling层将输入特征图放大两倍；经过右侧支路的特征图IpReLU是输入特征图Iinput尺寸的两倍大小，左侧输出特征图Iunpooling同样，因此两个支路网络输出的特征图尺寸相同，通过通道级联操作在通道上实现两支路的输出特征图的合并；
其中，提出的兼顾全局与细节的注意力模块将低分辨率的特征图
经过上采样与高分辨率的特征图
进行加操作，使得到的特征图既具有高分辨率图的细节信息，又具有低分辨率图的全局结构信息。兼顾全局与细节的注意力模块如图3。
其中，兼顾全局与细节的注意力模块公式表示如下：
IAtt＝concat[IMul，Uunpooling]；
其中Watt和batt是注意力模块中卷积层的权值和偏置参数，卷积核大小可设为3×3；
表示特征图按像素相加，
表示特征图像素点乘，σ表示批归一化以及PReLU激活函数；
是高分辨率特征图与低分辨率特征图按像素点相加的结果。
是ISum与IHR按特征图像素对应点乘的结果。
是注意力网络的输出。
高分辨率特征图IHR包含丰富的细节信息，比如肾脏的边缘。低分辨率的特征图ILR通过上采样和卷积等操作，首先变换到与高分辨率特征图IHR相同尺寸下，然后将ILR与IHR相加，得到特征图ISum，于是ISum同时包含位置信息，又包含层边缘的细节信息。将ISum视为注意力特征图(Attention Map)与IHR相乘，有效增强了IHR中的空间结构信息。兼顾全局与细节注意力模块嵌入在跳过连接部分。该注意力模块充分利用高分辨率特征图的细节信息以及低分辨率特征图的全局结构信息，最后与来自“解码器”上一卷积层输出的特征图进行上采样后的特征图IUnpooling进行级联，使该注意力模块的输出IAtt具有丰富的全局信息与局部信息。
其中，网络结构基于U-Net“编码器-解码器”型网络，并提出CP模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割，U-Net是一个左右完全对称的卷积神经网络，在左侧“编码器”分支中，下采样特征图提取特征；在右侧“解码器”分支中，上采样特征图使特征图恢复到输入图片的尺寸，U-Net的跳过连接操作将“编码器”分支的浅层特征图与“解码器”分支的深层特征图级联，将浅层特征图中丰富的上下文信息传入深层网络。
其中，损失函数采用Dice系数(Dice coefficient)损失，记分割结果为，对应的手动标注为()，表示多分类的类别，表示像素点，网络的损失函数如下：
其中，使用Marching Cube算法把肾脏分割结果转化为表面数据，记为S1，进一步对S1，使用Quadric Decimation表面简化算法与Laplacian表面平滑算法，得到简化与平滑后的表面数据，记为S2，对于表面数据S1，计算每个顶点到表面数据S2的欧氏距离，对表面数据S1顶点的欧氏距离使用阈值方法，保留大于给定阈值的顶点与距离值，并计算这些顶点的最小值、最大值、中值和均值，以中值作为肾表面结节量化标准；
本发明使用的数据采集自医院的病人。该数据集由200个带有医生标注的三维(3D)CT图像组成：每个3D CT图像的图像大小为512×512×299，体素大小为0.234×0.234×1〖mm〗^3。在本发明使用其中100个用作训练，100个用做测试，将每个3D CT图像沿着Z轴方向切成二维(2D)的切片图像作为卷积神经网络的输入。考虑到数据平衡，利用翻转、旋转和长度和宽度方向平移进行数据扩增。
本发明的实验结果如下：
为了定量评估本发明提出的方法的性能，根据以下四个指标将分割结果与金标准进行了比较：DSC系数(Dice similarity coefficient)，精度(Precision)，真阳性分数TPF(true positive fraction)和假阳性分数FPF(false positive fraction)。DSC计算分割结果和金标准之间的重叠，并定义为：
其中TP是真阳性的分割像素数量，FP是假阳性的分割像素数量，FN是假阴性的分割像素数量。TPF、FPF和精度指标计算公式为：
本发明将分割结果与他人的方法进行了比较，如表1所示：
表1本发明方法与现有方法的分割定量结果对比。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种能够定量分析肾表面结节的量化方法，包括U-Net“编码器-解码器”型网络，其特征在于：所述U-Net“编码器-解码器”型网络包括有：
A1、超分辨率模块；
A2、兼顾全局与细节的注意力模块；
A3、网络结构；
A4、肾表面结节量化。
2.根据权利要求1所述的一种能够定量分析肾表面结节的量化方法，其特征在于：U-Net“编码器-解码器”型网络基于深度为5层的U-Net网络，向右侧指示的箭头表示卷积+批归一化+激活，向下指示的箭头表示的下池化层采用池化步长为2的最大值池化，向上指示的箭头表示对应最大值池化的上采样操作。
3.根据权利要求2所述的一种能够定量分析肾表面结节的量化方法，其特征在于：上采样是卷积神经网络中常用的用来放大特征图分辨率的技术，这里采用超分辨率像素操作的方式。
4.根据权利要求3所述的一种能够定量分析肾表面结节的量化方法，其特征在于：超分辨率操作的整个过程为：
Icp＝concat[σ(Wcp)·PS(Iinput)+bcp，funpooi(Iinput)]
超分辨率操作的两条分支网络分别为：
Iunpooling＝funpooi(Iinput)
IPReLU＝σ(Wcp·PS(Iinput)+bcp)。
5.根据权利要求1所述的一种能够定量分析肾表面结节的量化方法，其特征在于：提出的兼顾全局与细节的注意力模块将低分辨率的特征图
经过上采样与高分辨率的特征图
进行加操作，使得到的特征图既具有高分辨率图的细节信息，又具有低分辨率图的全局结构信息。
6.根据权利要求5所述的一种能够定量分析肾表面结节的量化方法，其特征在于：兼顾全局与细节的注意力模块公式表示如下：
IAtt＝concat[IMul，Iunpooling]。
7.根据权利要求1所述的一种能够定量分析肾表面结节的量化方法，其特征在于：网络结构基于U-Net“编码器-解码器”型网络，并提出CP模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割，U-Net是一个左右完全对称的卷积神经网络，在左侧“编码器”分支中，下采样特征图提取特征；在右侧“解码器”分支中，上采样特征图使特征图恢复到输入图片的尺寸，U-Net的跳过连接操作将“编码器”分支的浅层特征图与“解码器”分支的深层特征图级联，将浅层特征图中丰富的上下文信息传入深层网络。
8.根据权利要求7所述的一种能够定量分析肾表面结节的量化方法，其特征在于：损失函数采用Dice系数(Dice coefficient)损失，记分割结果为，对应的手动标注为()，表示多分类的类别，表示像素点，网络的损失函数如下：
9.根据权利要求1所述的一种能够定量分析肾表面结节的量化方法，其特征在于：使用Marching Cube算法把肾脏分割结果转化为表面数据，记为S1，进一步对S1，使用QuadricDecimation表面简化算法与Laplacian表面平滑算法，得到简化与平滑后的表面数据，记为S2，对于表面数据S1，计算每个顶点到表面数据S2的欧氏距离，对表面数据S1顶点的欧氏距离使用阈值方法，保留大于给定阈值的顶点与距离值，并计算这些顶点的最小值、最大值、中值和均值，以中值作为肾表面结节量化标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110249282.9A CN112927210A (zh) | 2021-03-08 | 2021-03-08 | 一种能够定量分析肾表面结节的量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110249282.9A CN112927210A (zh) | 2021-03-08 | 2021-03-08 | 一种能够定量分析肾表面结节的量化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112927210A true CN112927210A (zh) | 2021-06-08 |
Family
ID=76171824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110249282.9A Pending CN112927210A (zh) | 2021-03-08 | 2021-03-08 | 一种能够定量分析肾表面结节的量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927210A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028008A1 (en) * | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
| CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
| CN106971389A (zh) * | 2017-01-26 | 2017-07-21 | 苏州大学 | 一种基于统计形状模型的肾皮质定位方法 |
| CN107633514A (zh) * | 2017-09-19 | 2018-01-26 | 北京大学第三医院 | 一种肺结节周边血管量化评估系统及方法 |
| US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
| CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
-
2021
- 2021-03-08 CN CN202110249282.9A patent/CN112927210A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028008A1 (en) * | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
| CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
| CN106971389A (zh) * | 2017-01-26 | 2017-07-21 | 苏州大学 | 一种基于统计形状模型的肾皮质定位方法 |
| CN107633514A (zh) * | 2017-09-19 | 2018-01-26 | 北京大学第三医院 | 一种肺结节周边血管量化评估系统及方法 |
| US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
| CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063710B (zh) | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 | |
| CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN111429473B (zh) | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 | |
| CN113240691B (zh) | 一种基于u型网络的医学图像分割方法 | |
| WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| CN110265141B (zh) | 一种肝脏肿瘤ct影像计算机辅助诊断方法 | |
| CN111798462A (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
| CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
| CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
| CN111640121A (zh) | 基于改进U-net的直肠CT图像肿瘤分割方法 | |
| CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割系统 | |
| CN111709929A (zh) | 一种肺部癌变区域分割与分类检测系统 | |
| CN111340816A (zh) | 一种基于双u型网络框架的图像分割方法 | |
| CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
| CN114066843A (zh) | 一种ct脑图像分割及血肿测量方法 | |
| CN112396605A (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
| CN112037212A (zh) | 一种基于深度学习的肺结核dr影像识别方法 | |
| CN115100165A (zh) | 一种基于肿瘤区域ct图像的结直肠癌t分期方法及系统 | |
| CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
| CN112634308B (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
| CN114494289A (zh) | 一种基于局部线性嵌入的插值神经网络的胰腺肿瘤图像分割处理方法 | |
| CN116503426B (zh) | 基于图像处理的超声图像分割方法 |
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 |