CN112950646A - 一种基于深度学习的hrct图像听小骨自动分割方法 - Google Patents
一种基于深度学习的hrct图像听小骨自动分割方法 Download PDFInfo
- Publication number
- CN112950646A CN112950646A CN202110367512.1A CN202110367512A CN112950646A CN 112950646 A CN112950646 A CN 112950646A CN 202110367512 A CN202110367512 A CN 202110367512A CN 112950646 A CN112950646 A CN 112950646A
- Authority
- CN
- China
- Prior art keywords
- image
- hrct
- deep learning
- ossicles
- hrct image
- 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 47
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000011994 high resolution computer tomography Methods 0.000 title claims abstract 26
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 210000003625 skull Anatomy 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 17
- 210000003094 ear ossicle Anatomy 0.000 abstract description 14
- 201000010099 disease Diseases 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 238000012805 post-processing Methods 0.000 abstract description 5
- 210000003128 head Anatomy 0.000 description 4
- 208000016354 hearing loss disease Diseases 0.000 description 2
- 208000018084 Bone neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000021245 head disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003582 temporal bone Anatomy 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000003454 tympanic membrane 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的HRCT图像听小骨自动分割方法，包括步骤：S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注；S2.获得病人在检测过程中的HRCT图像，对图像进行预处理；S3.将预处理后的左右位置听骨HRCT图像输入改进的U‑net模型；S4.利用U‑net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模；本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，辅助疾病诊断，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的特点。
Description
技术领域
本发明涉及医学影像处理技术领域，具体涉及一种基于深度学习的HRCT图像听小骨自动分割方法。
背景技术
头部CT检查一种常规头部疾病的筛查方法，其中听骨的检查在CT图像上尤为重要；目前需要借助医生的诊断经验定位和挖掘听骨在图像中的位置；由于听小骨具有体征小的特征，检查过程费时费力，在当前全民医疗的背景下给医生带来了巨大的压力与挑战；
听力障碍是常见的疾病，听骨链疾病是常见病因之一，听小骨结构的形态、位置、密度的改变都可能导致不同程度的听力障碍，给患者带来不便。听骨链位置深在，外面有鼓膜覆盖，临床医生很难通过物理手段观察，HRCT可以达到亚毫米的分辨率，是明确其病变部位、程度的重要工具之一，在评估听骨链发育畸形、外伤，颞骨肿瘤等疾病有及其重要的作用；
常规横轴位CT图像听骨链各部分不在同一平面，而听骨链结构微小，不能显示听骨链的完整结构，因而很难作出准确诊断，常需要进行CPR、MPR等后处理重建显示全貌，这个过程极度依赖放射医师经验，也非常耗时，大部分综合医院缺少耳鼻喉科放射医师，造成工作效率低下，甚至造成很多患者漏诊或者误诊。
发明内容
针对上述存在的问题，本发明旨在提供一种基于深度学习的HRCT图像听小骨自动分割方法，本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的特点。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于深度学习的HRCT图像听小骨自动分割方法，包括步骤：
S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注，作为模型训练的标准；
S2.获得病人在检测过程中的HRCT图像，对图像进行预处理，得到测试数据；
S3.将预处理后的左右位置听骨HRCT图像输入改进的U-net模型；
S4.利用U-net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模，完成对测试HRCT图像的重建。
优选的，步骤S1所述的标注过程包括：
S101.整理提取到的正常人听骨链HRCT图像数据，并编号形成n例听骨链HRCT图像数据序列；
S102.对序列中的n例正常人听骨链HRCT图像上的区域以坐标的形式进行标注，得到每张听骨链HRCT图像上区域的坐标为：
(x,y)，……，(xN,yN)；
其中，所述n不小于150。
优选的，步骤S2所述的预处理过程包括：
S201.利用阈值法分离出HRCT图像中的头部颅骨；
S202.保留分割的颅骨中最大的联通区域；
S203.根据分割出的颅骨边缘，由周边向内逐步进行图像裁剪；
S204.粗定位左右听骨的大致位置进行图像剪裁，得到预处理后的听骨链HRCT图像。
优选的，步骤S3所述的改进的U-net模型内嵌设有深度学习算法。
优选的，步骤S4所述的图像切割的具体过程包括：
S401.在得到清晰的HRCT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；
S402.然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；
S403.绘制出二维HRCT图像中每个三角面片的三维显示结果，得到重建后的HRCT图像的三维模型。
本发明的有益效果是：本发明公开了一种基于深度学习的HRCT图像听小骨自动分割方法，与现有技术相比，本发明的改进之处在于：
针对现有技术中存在的问题，本发明设计了一种基于深度学习的HRCT图像听小骨自动分割方法，本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的优点。
附图说明
图1为本发明基于深度学习的HRCT图像听小骨自动分割方法的分割流程图。
图2为本发明病人头部颅骨HRCT图像。
图3为本发明病人左右听骨区域的HRCT图像。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-3所示的一种基于深度学习的HRCT图像听小骨自动分割方法，包括步骤：
S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注，作为模型训练的标准，其具体过程为：
S101.整理提取到的正常人听骨链HRCT图像数据，并编号形成n例听骨链HRCT图像数据序列；
S102.经具有10年经验的主治医生手动对序列中的n例正常人听骨链HRCT图像上的区域以坐标的形式进行标注，得到每张听骨链HRCT图像上区域的坐标为：
(x,y)，……，(xN,yN)；
其中，所述n不小于150；
S2.获得病人在检测过程中的HRCT图像，对图像进行预处理，得到测试数据，所述预处理包括以下过程：
S201.利用阈值法分离出HRCT图像中的头部颅骨，如图2所示；
S202.保留分割的颅骨中最大的联通区域；
S203.根据分割出的颅骨边缘，由周边向内逐步进行图像裁剪；
S204.粗定位左右听骨的大致位置进行图像剪裁，得到预处理后的听骨链HRCT图像，如图3所示；
S3.将预处理后的左右位置听骨HRCT图像输入改进的U-net模型；
其中，所述改进的U-net模型内嵌设有深度学习算法，在分割时，利用深度学习算法对听骨HRCT图像进行切片分割；
S4.利用U-net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模，完成对测试HRCT图像的重建，所述图像切割重建的过程包括：
S401.在得到清晰的HRCT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；
S402.然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；
S403.绘制出二维HRCT图像中每个三角面片的三维显示结果，得到重建后的HRCT图像的三维模型。
步骤S401所述的利用黄金分割算法计算二维CT图像上的等值点和法向量的具体过程为：
(1)利用体素棱边的黄金分割点确定交点的坐标
如果交点在棱边的x轴上，交点的坐标设为:
如果交点在棱边的y轴上，交点的坐标设为:
如果交点在棱边的z轴上，交点的坐标设为:
(2)利用体素棱边的黄金分割点确定交点的法向量
如果交点在棱边的x轴上，交点的法向量为：
如果交点在棱边的y轴上，交点的法向量为：
如果交点在棱边的z轴上，交点的法向量为：
其中:N(i，j，k)表示坐标(i，j，k)的向量值，N表示所求的法向量。
本发明所述的基于深度学习的HRCT图像听小骨自动分割方法，在使用时通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的优点。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：包括步骤：
S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注，作为模型训练的标准；
S2.获得病人在检测过程中的HRCT图像，对图像进行预处理，得到测试数据；
S3.将预处理后的左右位置听骨HRCT图像输入改进的U-net模型；
S4.利用U-net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模，完成对测试HRCT图像的重建。
2.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S1所述的标注过程包括：
S101.整理提取到的正常人听骨链HRCT图像数据，并编号形成n例听骨链HRCT图像数据序列；
S102.对序列中的n例正常人听骨链HRCT图像上的区域以坐标的形式进行标注，得到每张听骨链HRCT图像上区域的坐标为：
(x,y)，……，(xN,yN)；
其中，所述n不小于150。
3.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S2所述的预处理过程包括：
S201.利用阈值法分离出HRCT图像中的头部颅骨；
S202.保留分割的颅骨中最大的联通区域；
S203.根据分割出的颅骨边缘，由周边向内逐步进行图像裁剪；
S204.粗定位左右听骨的大致位置进行图像剪裁，得到预处理后的听骨链HRCT图像。
4.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S3所述的改进的U-net模型内嵌设有深度学习算法。
5.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S4所述的图像切割的具体过程包括：
S401.在得到清晰的HRCT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；
S402.然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；
S403.绘制出二维HRCT图像中每个三角面片的三维显示结果，得到重建后的HRCT图像的三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110367512.1A CN112950646A (zh) | 2021-04-06 | 2021-04-06 | 一种基于深度学习的hrct图像听小骨自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110367512.1A CN112950646A (zh) | 2021-04-06 | 2021-04-06 | 一种基于深度学习的hrct图像听小骨自动分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112950646A true CN112950646A (zh) | 2021-06-11 |
Family
ID=76232399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110367512.1A Pending CN112950646A (zh) | 2021-04-06 | 2021-04-06 | 一种基于深度学习的hrct图像听小骨自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950646A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615235A (zh) * | 2018-04-28 | 2018-10-02 | 北京拍医拍智能科技有限公司 | 一种对颞耳图像进行处理的方法及装置 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
| CN111476764A (zh) * | 2020-03-27 | 2020-07-31 | 西安科技大学 | 一种运动模糊ct图像三维重建的方法 |
| CN112419322A (zh) * | 2020-10-16 | 2021-02-26 | 北京工业大学 | 一种基于3d多尺度多池化特征融合网络的颞骨外半规管分割方法 |
-
2021
- 2021-04-06 CN CN202110367512.1A patent/CN112950646A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615235A (zh) * | 2018-04-28 | 2018-10-02 | 北京拍医拍智能科技有限公司 | 一种对颞耳图像进行处理的方法及装置 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
| CN111476764A (zh) * | 2020-03-27 | 2020-07-31 | 西安科技大学 | 一种运动模糊ct图像三维重建的方法 |
| CN112419322A (zh) * | 2020-10-16 | 2021-02-26 | 北京工业大学 | 一种基于3d多尺度多池化特征融合网络的颞骨外半规管分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董育宁 等: "《医学图像处理理论与应用》", vol. 1, 31 August 2020, 东南大学出版社, pages: 150 - 154 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493325B (zh) | 基于ct影像的肿瘤异质性分析系统 | |
| Gan et al. | Toward accurate tooth segmentation from computed tomography images using a hybrid level set model | |
| Heutink et al. | Multi-Scale deep learning framework for cochlea localization, segmentation and analysis on clinical ultra-high-resolution CT images | |
| WO2018120644A1 (zh) | 血管提取方法及系统 | |
| EP2252204B1 (en) | Ct surrogate by auto-segmentation of magnetic resonance images | |
| US7817836B2 (en) | Methods for volumetric contouring with expert guidance | |
| Giannini et al. | A fully automatic algorithm for segmentation of the breasts in DCE-MR images | |
| CN106997594B (zh) | 一种眼部组织的定位方法及装置 | |
| RU2589461C2 (ru) | Устройство для создания присваиваний между областями изображения и категориями элементов | |
| CN109934829B (zh) | 一种基于三维图割算法的肝脏分割方法 | |
| CN110097557B (zh) | 基于3D-UNet的医学图像自动分割方法及系统 | |
| CN109949322B (zh) | 一种基于磁共振t1增强图像的脑血管图像分割方法 | |
| Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
| CN110910404B (zh) | 一种抗噪声数据的乳腺超声结节分割方法 | |
| Tseng et al. | An adaptive thresholding method for automatic lung segmentation in CT images | |
| CN112686897A (zh) | 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法 | |
| Dempere-Marco et al. | Analysis of visual search patterns with EMD metric in normalized anatomical space | |
| CN116228767B (zh) | 基于计算机视觉的x光肺部肿块图像处理方法 | |
| CN110858412B (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
| CN110533667B (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
| Ge et al. | Accurate localization of cortical convolutions in MR brain images | |
| CN117218138A (zh) | 一种基于深度学习的黑色素瘤图像分割方法 | |
| CN112950646A (zh) | 一种基于深度学习的hrct图像听小骨自动分割方法 | |
| CN110148114A (zh) | 一种基于2d断层扫描图数据集的深度学习模型训练方法 | |
| Fabijańska et al. | Assessment of hydrocephalus in children based on digital image processing and analysis |
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 |