CN112950611A - 一种基于ct图像的肝脏血管分割方法 - Google Patents
一种基于ct图像的肝脏血管分割方法 Download PDFInfo
- Publication number
- CN112950611A CN112950611A CN202110290231.0A CN202110290231A CN112950611A CN 112950611 A CN112950611 A CN 112950611A CN 202110290231 A CN202110290231 A CN 202110290231A CN 112950611 A CN112950611 A CN 112950611A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- liver
- image
- output
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 41
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 20
- 210000002989 hepatic vein Anatomy 0.000 claims abstract description 16
- 210000003240 portal vein Anatomy 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000002591 computed tomography Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000004804 winding 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
- 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
-
- G06T5/70—
-
- 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
- G06T2207/10—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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CT图像的肝脏血管分割方法，首先获取原始3D肝脏图像并进行预处理，得到训练集；然后利用预处理得到的训练集训练3D卷积神经网络，其中采用的3D卷积神经网络采用Unet网络结构，编码器设置有侧输出层对卷积网络体系体系结构进行深度监管，输出端设置两个并行分支，上路分支用于提取肝静脉和门静脉区别于背景的特征，下路分支用于提取区分肝静脉和门静脉的特征，最终利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果。该方法从编码器部分添加侧输出层帮助底层特征提取更多语义信息，同时在输出端设置两个并行分支，提高了肝脏图像内肝静脉和门静脉的分割效果。
Description
技术领域
本发明属于医学图像处理领域，具体涉及一种基于CT图像的肝脏血管分割方法。
背景技术
肝脏血管分割和三维重建有助于准确获取腹部肝脏血管组织的整体信息，是计算机辅助肝脏疾病诊断和肝脏手术规划的前提，对于肝病诊断及肝病手术的指导具有非常重要的意义。CT(计算机断层扫描)技术是最常用的肝脏及血管影响诊断技术之一。通过CT，医生可以获得一系列血管增强的二维CT切片，然而腹部CT图像往往存在低对比度、高信噪比、边界模糊、肝脏与其他灰度相近组织粘连等不利因素，由于肝脏血管结构复杂、血管之间相互缠绕、不同个体差异较大，肝脏血管分割面临巨大挑战。
现有三维肝脏血管分割方法一般可以分为基于灰度和梯度两大类，但单一的基于灰度或梯度的分割方法，如三维区域生长、模糊聚类等，都无法有效地提取低对比度的肝静脉与门静脉；在现有肝脏血管分割模型如主动轮廓模型及其混合模型容易越过血管的弱边界而导致严重的过分割，且需要提供血管的初始区域，并且难以处理小血管的分割。
发明内容
为了解决现有技术的上述问题，本发明提供一种CT图像中肝脏血管分割方法，能够对3D肝脏图像进行肝脏中肝静脉与门静脉的图像分割，并提高了血管分割的效果，本发明的技术方案如下：
一种基于CT图像的肝脏血管分割方法，所述的方法包括：
S1、获取原始3D肝脏图像并进行预处理，得到训练集；所述的预处理包括原始3D肝脏图像进行窗宽窗位调节，并通过照明校正提高血管的对比度，平滑CT图像噪声；
S2、利用预处理得到的训练集训练3D卷积神经网络；
所述的3D卷积神经网络采用Unet网络结构，卷积神经网络中的编码器由两个卷积层组成，卷积层的过滤器大小都是3×3×3，下采样阶段中每层编码器设置有对应的侧输出层，所述的卷积神经网络的输出端设置有多询问输出层，多询问输出层内采用的激活函数具体为：
σ表示激活因子，e表示自然底数，x表示当前输入，x∈(0,1)，m(x)表示激活函数输出；
所述的卷积神经网络通过：
确定所述训练集的损失值，当得到的损失值未达到设定的训练收敛条件，更新3D卷积神经网络的网络参数，并进行下一次迭代；当得到的损失值达到设定的训练条件，得到训练完成的3D卷积神经网络；其中，BCE表示损失函数
Y表示输出变量，output表示多询问输出层输出，side表示侧输出层输出，GT表示基准值，θ表示网络参数，||||2为二范数，i表示第i个侧输出层，c表示第c层输出，μc表示权类比重；
S3、利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果。
进一步地，所述的激活因子σ设置为1，激活函数的范围在
之间。
进一步地，所述的权类比重μc具体为血管、肝静脉和门静脉之间比重为3：2：2。
本发明的有益效果在于：
(1)3D卷积神经网络编码器部分添加侧输出层对体系结构进行深度监管，帮助底层特征提取更多语义信息，提高了图像分割的效果；
(2)3D卷积神经网络输出端设置两个并行分支，上路分支用于提取肝静脉和门静脉区别于背景的特征，下路分支专注于提取区分肝静脉和门静脉的特征，提高了肝脏图像内肝静脉和门静脉的分割效果。
附图说明
图1是本发明基于CT图像的肝脏血管分割方法流程示意图；
图2是本发明3D卷积神经网络模型结构图；
图3是本发明3D卷积神经网络模型中侧输出层结构图；
图4是本发明3D卷积神经网络模型中多询问输出层结构图。
具体实施方式
下面结合附图和实施例，对本发明技术方案作进一步描述：
本实施例中提供了一种基于CT图像的肝脏血管分割方法，如图1所示，包括：
步骤1，获取原始3D肝脏图像并进行预处理，得到训练集。在本实施例中，将原始3D肝脏图像进行窗宽窗位调节，并按照128×128×128的patch(补丁)大小进行随机裁剪，作为训练集，为了消除整个图像上的亮度分布不均匀的问题，通过照明校正提高血管的对比度，并平滑CT图像噪声。
步骤2，利用得到的训练集训练卷积神经网络；
如图2，在本实施例中的卷积神经网络采用Unet网络结构，卷积神经网络一共9层，包括了下采样阶段、上采样阶段和多询问输出层，卷积层的卷积核大小都是3×3×3，在下采样阶段中，编码器由两个卷积层组成，为了提高肝脏血管分割的效果，如图3，在下采样阶段中设置侧输出层，下采样阶段中每层编码器设置有对应的侧输出层，具体的在第2层设置有侧输出层1，第3层设置有侧输出层2，第4层设置有侧输出层3，侧输出层根据当前层数的不同进行不同次数的反卷积操作，其中侧输出层1、2、3，分别经过1、2、3次反卷积。
3D卷积神经网络模型中分割和重建部分的编码器由三个3D卷积块组成。每个块分别由32、64和128个特征图组成，每个特征图之后是一个3D合并层，其池大小为(2、2、2)。转换块具有256个特征图，解码器分支镜像编码器分支池化层替换为3D转置卷积层。
如图4，为了获得更准确的肝静脉和门静脉的分割效果，在卷积神经网络的输出端设置由多询问输出层，具体包括了两个并行分支，其中，上路分支用于提取肝静脉和门静脉区别于背景的特征，具体为首先通过1×128×128×128的卷积处理，然后由sigmoid函数处理后加入本发明设计的激活操作，得到一个激活的权重图。下路分支合并了反卷积之后的特征图，专注于提取区分肝静脉和门静脉的特征。接着将激活块得到的结果对下路分支得到的合并后的特征图进行校准，最终通过卷积得到2×128×128×128的多询问输出层结果。
在本实施例中采用的激活块具体为：
σ表示激活因子，e表示自然底数，x表示当前输入，m(x)表示激活函数输出，在本实施例中激活因子σ设置为1，激活函数的范围在
之间。
在本实施例，训练3D卷积神经网络采用的损失值设置为：
其中，BCE表示损失函数
Y表示输出变量，output表示多询问输出层输出，side表示侧输出层输出，GT表示基准值，θ表示网络参数，||||2为二范数，i表示第i个侧输出层，c表示第c层输出，权类比重μc具体为血管、肝静脉和门静脉之间比重为3：2：2。
以1的批量大小将大小为128×128×128的12734个样本图像输入至本发明3D卷积神经网络模型中进行训练，学习率设置为10-3，得到训练完成3D卷积神经网络模型。
步骤3，利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果，利用测试集对训练好的3D卷积神经网络模型进行测试，达到了94.5％的像素精度，高于现有的肝静脉和门静脉图像分割像素精度。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权力要求的保护范围。
Claims (3)
1.一种基于CT图像的肝脏血管分割方法，其特征在于，所述的方法包括：
S1、获取原始3D肝脏图像并进行预处理，得到训练集；所述的预处理包括原始3D肝脏图像进行窗宽窗位调节，并通过照明校正提高血管的对比度，平滑CT图像噪声；
S2、利用预处理得到的训练集训练3D卷积神经网络；
所述的3D卷积神经网络采用Unet网络结构，卷积神经网络中的编码器由两个卷积层组成，卷积层的过滤器大小都是3×3×3，下采样阶段中每层编码器设置有对应的侧输出层，所述的卷积神经网络的输出端设置有多询问输出层，多询问输出层内采用的激活函数具体为：
σ表示激活因子，e表示自然底数，x表示当前输入，x∈(0,1)，m(x)表示激活函数输出；
所述的卷积神经网络通过：
确定所述训练集的损失值，当得到的损失值未达到设定的训练收敛条件，更新3D卷积神经网络的网络参数，并进行下一次迭代；当得到的损失值达到设定的训练条件，得到训练完成的3D卷积神经网络；其中，BCE表示损失函数
Y表示输出变量，output表示多询问输出层输出，side表示侧输出层输出，GT表示基准值，θ表示网络参数，|| ||2为二范数，i表示第i个侧输出层，c表示第c层输出，μc表示权类比重；
S3、利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果。
2.根据权利要求1所述的方法，其特征在于，所述的激活因子σ设置为1，激活函数的范围在
之间。
3.根据权利要求1所述的方法，其特征在于，所述的权类比重μc具体为血管、肝静脉和门静脉之间比重为3：2：2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110290231.0A CN112950611A (zh) | 2021-03-18 | 2021-03-18 | 一种基于ct图像的肝脏血管分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110290231.0A CN112950611A (zh) | 2021-03-18 | 2021-03-18 | 一种基于ct图像的肝脏血管分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112950611A true CN112950611A (zh) | 2021-06-11 |
Family
ID=76226531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110290231.0A Pending CN112950611A (zh) | 2021-03-18 | 2021-03-18 | 一种基于ct图像的肝脏血管分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950611A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658332A (zh) * | 2021-08-24 | 2021-11-16 | 电子科技大学 | 一种基于超声影像的腹直肌智能分割重建方法及装置 |
| CN114445424A (zh) * | 2022-01-17 | 2022-05-06 | 推想医疗科技股份有限公司 | 模型训练方法和装置、肝段分割方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211140A (zh) * | 2019-06-14 | 2019-09-06 | 重庆大学 | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN111583262A (zh) * | 2020-04-23 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 一种血管分割方法与系统 |
| CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
-
2021
- 2021-03-18 CN CN202110290231.0A patent/CN112950611A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110211140A (zh) * | 2019-06-14 | 2019-09-06 | 重庆大学 | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 |
| CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
| CN111583262A (zh) * | 2020-04-23 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 一种血管分割方法与系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658332A (zh) * | 2021-08-24 | 2021-11-16 | 电子科技大学 | 一种基于超声影像的腹直肌智能分割重建方法及装置 |
| CN113658332B (zh) * | 2021-08-24 | 2023-04-11 | 电子科技大学 | 一种基于超声影像的腹直肌智能分割重建方法及装置 |
| CN114445424A (zh) * | 2022-01-17 | 2022-05-06 | 推想医疗科技股份有限公司 | 模型训练方法和装置、肝段分割方法和装置 |
| CN114445424B (zh) * | 2022-01-17 | 2022-11-18 | 推想医疗科技股份有限公司 | 模型训练方法和装置、肝段分割方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN107909581A (zh) | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 | |
| CN107563983A (zh) | 图像处理方法以及医学成像设备 | |
| JP2023550844A (ja) | 深層形状学習に基づく肝臓ｃｔ自動分割方法 | |
| CN110428427B (zh) | 基于密集偏置网络和自编码器的半监督肾动脉分割方法 | |
| CN112927255A (zh) | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 | |
| CN109272510A (zh) | 一种三维医学图像中管状结构的分割方法 | |
| CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
| CN112950611A (zh) | 一种基于ct图像的肝脏血管分割方法 | |
| CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| CN114972248A (zh) | 基于注意力机制改进的U-net肝肿瘤分割方法 | |
| CN110874860A (zh) | 基于混合损失函数的对称监督模型的目标提取方法 | |
| CN110706225A (zh) | 基于人工智能的肿瘤识别系统 | |
| CN114972362A (zh) | 一种基于RMAU-Net网络的医学图像自动分割方法与系统 | |
| CN116188452A (zh) | 医学图像层间插值及三维重建方法 | |
| CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
| CN114266939A (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
| CN110458842B (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 | |
| CN112263217A (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| 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 | |
| CN110619633B (zh) | 一种基于多路滤波策略的肝脏图像分割方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210918 Address after: 102629 Room 401, building 1, 38 Yongda Road, Daxing biomedical industrial base, Zhongguancun Science and Technology Park, Daxing District, Beijing Applicant after: Beijing precision diagnosis Medical Technology Co.,Ltd. Address before: Room 102, block B2, phase II, software new town, tianguba Road, Yuhua Street office, high tech Zone, Xi'an, Shaanxi 710000 Applicant before: Xi'an Zhizhen Intelligent Technology Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210611 |