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 |