CN113052849B - 腹部组织图像自动分割方法及系统 - Google Patents
腹部组织图像自动分割方法及系统 Download PDFInfo
- Publication number
- CN113052849B CN113052849B CN202110409678.5A CN202110409678A CN113052849B CN 113052849 B CN113052849 B CN 113052849B CN 202110409678 A CN202110409678 A CN 202110409678A CN 113052849 B CN113052849 B CN 113052849B
- Authority
- CN
- China
- Prior art keywords
- convolution block
- image
- segmentation
- automatic
- convolution
- 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.)
- Active
Links
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 32
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 22
- 210000001015 abdomen Anatomy 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 description 24
- 208000008839 Kidney Neoplasms Diseases 0.000 description 12
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000006678 Abdominal Neoplasms Diseases 0.000 description 1
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种腹部组织图像自动分割方法及系统，该方法包括以下步骤：1)构建第一训练数据集；2)利用所述第一训练数据集对3D U‑Net网络进行训练，得到腹部组织自动分割模型；3)构建用于肿瘤分割任务的第二训练数据集；4)利用所述第二训练数据集对DeepLab V3+网络进行训练，得到肿瘤自动分割模型；5)将所述腹部组织自动分割模型和肿瘤自动分割模型级联，得到腹部组织自动分割模型；6)将待分割的腹部扫描图像输入腹部组织自动分割模型，自动得到腹部组织分割图像和肿瘤分割图像。本发明的腹部组织图像自动分割方法能够对形态多变的腹部组织和肿瘤进行分割，在低对比度和边缘模糊的情况下取得良好的分割精度。
Description
技术领域
本发明涉及医学图像处理领域，特别涉及一种腹部组织图像自动分割方法及系统。
背景技术
影像学检查是诊断腹部脏器疾病的重要手段，而CT影像学检查是诊断腹部肿瘤的主要手段之一。根据CT影像中肿瘤的大小、形状等特征，医生可制定相应的治疗手段。但是由于不同医生的主观思想不同，采用人工勾画或是半自动分割方法对病变分割的结果存在差异性，容易导致分割结果不理想，进而影响对病症的判断。另外，现在的一些自动分割方法对于低对比度和边缘模糊的图像存在分割精度低的缺陷。
所以，现在需要一种更为客观可靠的腹部组织自动分割方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种腹部组织图像自动分割方法及系统。
为解决上述技术问题，本发明采用的技术方案是：一种腹部组织图像自动分割方法，包括以下步骤：
1)对腹部扫描图像进行预处理，构建得到用于腹部组织分割任务的第一训练数据集；
2)利用所述第一训练数据集对3D U-Net网络进行训练，得到腹部组织自动分割模型；
3)将所述第一训练数据集经所述腹部组织自动分割模型处理后得到的结果进行裁剪和数据增强处理，构建得到用于肿瘤分割任务的第二训练数据集；
4)利用所述第二训练数据集对DeepLab V3+网络进行训练，得到肿瘤自动分割模型；
5)将所述腹部组织自动分割模型和肿瘤自动分割模型级联，得到腹部组织自动分割模型；
6)将待分割的腹部扫描图像输入所述腹部组织自动分割模型，自动得到腹部组织分割图像和肿瘤分割图像。
优选的是，所述步骤1)中的预处理具体包括：对腹部扫描图像依次进行灰度截断处理、Z-score标准化处理和重采样处理。
优选的是，所述步骤2)中，先将所述第一训练数据集中的腹部扫描图像随机裁剪为大小一致的图像块后作为3D U-Net网络的输入，其中，图像块的采样方法采用以下方法A和方法B相结合的方式进行；
方法A：将图像块的中心点选取为腹部组织区域的坐标点；
方法B：在整个腹部扫描图像中随机选取图像块。
优选的是，所述3D U-Net网络包括下采样单元和上采样单元；
所述下采样单元包括依次连接的5个卷积下采样层，每个所述卷积下采样层均包括第一下单元层和第二下单元层，所述第一下单元层包括步长为2的3×3×3下采样卷积块、实例归一化模块以及ReLU激活函数，所述第二下单元层包括3×3×3的三维卷积块、实例归一化模块以及ReLU激活函数；
所述上采样单元包括依次连接的5个卷积上采样层，每个所述卷积上采样层均包括第一上单元层，且除与所述5个卷积下采样层中的最后一个连接的卷积上采样层外，其余的4个卷积上采样层还均包括两个第二上单元层；
所述第一上单元层包括步长为2的3×3×3转置卷积块，每个所述第二上单元层均包括3×3×3的三维卷积块、实例归一化模块以及ReLU激活函数。
优选的是，所述步骤3)中，进行裁剪时，对腹部组织分割结果分别在X、Y、Z轴扩充20、20、5个像素点，得到腹部组织感兴趣区域，用于肿瘤的分割；
进行数据增强的方法包括：对图像进行随机旋转90度、对称翻转、图像模糊处理、缩放并旋转随机角度、对比度增强处理。
优选的是，所述DeepLab V3+网络包括初始化层、与所述初始化层依次连接的4个特征提取模块、与最后一个特征提取模块连接的空间金字塔池化模块以及解码模块；
所述初始化层包括卷积块、批归一化操作层和ReLU激活函数；
所述特征提取模块包括依次连接的若干提取单元，每个所述提取单元均包括一个第一残差瓶颈结构和若干个第二残差瓶颈结构；
所述第一残差瓶颈结构包括依次连接的第一卷积块、第二卷积块和第三卷积块，以及一个侧边卷积块；所述侧边卷积块连接所述第一卷积块的输入端和所述第三卷积块的输出端；其中，所述所述第一卷积块、第三卷积块和侧边卷积块均为1×1卷积块，所述第二卷积块为3×3卷积块；
所述第二残差瓶颈结构包括依次连接的第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块和第六卷积块为1×1卷积块，所述第五卷积块为3×3卷积块；
所述空间金字塔池化模块包括依次设置的1×1卷积块、膨胀率依次为2、4、8的3个3×3卷积以及全局平均池化层；
所述解码模块包括一个1×1卷积块、一个3×3卷积块和Sigmoid函数，第一个所述提取单元处理得到的特征图通过该1×1卷积块处理后与所述空间金字塔池化模块输出的融合特征图拼接，然后经该3×3卷积块操作和上采样处理恢复图像分辨率，最后经该Sigmoid函数进行二值化处理后得到肿瘤分割图像。
优选的是，所述步骤4)中采用Llog-cosh-dice损失函数对DeepLab V3+网络进行训练，该损失函数的计算公式如下：
其中，y是真实的分割标签，是网络预测的分割结果。
本发明还提供一种腹部组织图像自动分割系统，其采用如上所述的方法对腹部组织图像进行自动分割。
本发明还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是：本发明的腹部组织图像自动分割方法能够对形态多变的腹部组织和肿瘤进行分割，在低对比度和边缘模糊的情况下取得良好的分割精度；本发明相比于人工勾画和半自动分割方法，可以大大提高医学图像中腹部组织分割的效率。
附图说明
图1为本发明的腹部组织图像自动分割方法的流程图；
图2为本发明的3D U-Net网络的结构示意图；
图3为本发明的DeepLab V3+网络的结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
本实施例中以腹部扫描图像中肾脏的分割以及进一步在肾脏图像中肾肿瘤的分割为例进行详细说明，即腹部组织具体为肾脏，肿瘤具体为肾肿瘤。
参照图1，本实施例的一种腹部组织图像自动分割方法，该方法包括两个阶段，阶段一：肾脏分割，阶段二：肾肿瘤分割，其具体步骤为：
1、对腹部扫描图像进行预处理，构建得到用于肾脏分割任务的第一训练数据集
预处理包括以下三个步骤：
(1)灰度截断：通过计算所有数据肾脏范围内像素值的第5和第95百分位数分别作为灰度截断的上限和下限值去除数据中的极端灰度值；
(2)Z-score标准化：通过减去图像灰度值的均值并除以方差，其中，均值和标准差的计算只基于肾脏区域的像素值；
(3)重采样：在肾脏分割预处理过程中将所有样本的空间分辨率重采样至(1.62mm,1.62mm,3.22mm)。
其中，腹部扫描图像为腹部CT图像。
2、利用所述第一训练数据集对3D U-Net网络进行训练，得到肾脏自动分割模型
先将所述第一训练数据集中的腹部扫描图像随机裁剪为大小一致(80×160×160)的图像块后作为3D U-Net网络的输入，其中，图像块的采样方法采用以下方法A和方法B相结合的方式进行；
方法A：将图像块的中心点选取为肾脏区域的坐标点；
方法B：在整个腹部扫描图像中随机选取图像块。
方法A可保证网络能够完整地学习到整个肾脏，加快网络的收敛；方法B可将非肾脏区域的背景输入到网络进行训练，有助于在预测阶段减少非肾脏区域的假阳性目标。
3、将所述第一训练数据集经所述肾脏自动分割模型处理后得到的结果进行裁剪和数据增强处理，构建得到用于肾肿瘤分割任务的第二训练数据集
其中，进行裁剪时，对肾脏分割结果分别在X、Y、Z轴扩充20、20、5个像素点，得到肾脏感兴趣区域，用于肾肿瘤的分割；
进行数据增强的方法包括：对图像进行随机旋转90度、对称翻转、图像模糊处理、缩放并旋转随机角度、对比度增强处理。
4、利用所述第二训练数据集对DeepLab V3+网络进行训练，得到肾肿瘤自动分割模型
参照图2，所述3D U-Net网络包括下采样单元和上采样单元：
所述下采样单元包括依次连接的5个卷积下采样层(X1至X5)，每个所述卷积下采样层均包括第一下单元层和第二下单元层，所述第一下单元层包括步长为2的3×3×3下采样卷积块、实例归一化模块(Instance Normalization)以及ReLU激活函数，所述第二下单元层包括标准3×3×3的三维卷积块、实例归一化模块以及ReLU激活函数；每经过一次下采样，特征图大小减少为原来的1/2。
所述上采样单元包括依次连接的5个卷积上采样层(S1至S5)，每个所述卷积上采样层均包括第一上单元层，且除与所述5个卷积下采样层中的最后一个连接的卷积上采样层(S5)外，其余的4个卷积上采样层(S1至S4)还均包括两个第二上单元层；
所述第一上单元层包括步长为2的3×3×3转置卷积块，所述第二上单元层包括标准3×3×3的三维卷积块、实例归一化模块以及ReLU激活函数。另外，参照图2，进行同级之间的跳跃连接实现特征融合能增强图像细节。
5、将所述肾脏自动分割模型和肾肿瘤自动分割模型级联，得到腹部组织自动分割模型
参照图3，所述DeepLab V3+网络包括初始化层、与所述初始化层依次连接的4个特征提取模块、与最后一个特征提取模块连接的空间金字塔池化模块以及解码模块。
所述初始化层包括stride＝2、padding＝3、卷积核大小为7×7、卷积核数量为64的标准卷积块、批归一化操作层和ReLU激活函数；经过初始化卷积层的特征图大小为80×80，通道数为64。
所述特征提取模块包括依次连接的4个提取单元(即图3中的阶段1、阶段2、阶段3、阶段4)，每个所述提取单元均包括一个第一残差瓶颈结构和若干个第二残差瓶颈结构；
所述第一残差瓶颈结构包括依次连接的第一卷积块、第二卷积块和第三卷积块，以及一个侧边卷积块；所述侧边卷积块连接所述第一卷积块的输入端和所述第三卷积块的输出端；其中，所述第一卷积块、第三卷积块和侧边卷积块均为1×1卷积块，所述第二卷积块为3×3卷积块；第一个1×1卷积将特征图通道数和大小减半，第二个1×1卷积块将特征通道数恢复至原来的大小，侧边卷积块将输入特征图的通道数扩充至输出特征图的通道数。
所述第二残差瓶颈结构包括依次连接的第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块和第六卷积块为1×1卷积块，所述第五卷积块为3×3卷积块；其中两个1×1卷积块分别用于压缩和扩充通道数以增强非线性能力。
经过4个特征提取模块得到的特征图小为20×20，通道数为2048，输入到基于空洞卷积的空间金字塔池化模块(即图3中的ASPP)中，用于提取多尺度信息。
所述空间金字塔池化模块包含5个分支结构，包括依次设置的1×1卷积块、膨胀率依次为2、4、8的3个3×3卷积以及全局平均池化层；采用不同膨胀率的卷积核，使得网络具有不同大小的感受野，从而获取不同大小肿瘤的特征信息；全局平均池化操作能够增强网络的全局特征，有助于增强肿瘤的识别能力。
解码模块将阶段1的低级特征和多尺度高级特征进行融合以增强分割结果的细节信息和边缘信息，具体的所述解码模块包括一个1×1卷积块、一个3×3卷积块和Sigmoid函数，第一个所述提取单元处理得到的特征图通过该1×1卷积块将通道数256映射为通道数为48的特征图，然后与所述空间金字塔池化模块输出的融合特征图拼接，然后经该3×3卷积块操作和上采样处理恢复图像分辨率，最后经该Sigmoid函数进行二值化处理后得到肾肿瘤分割图像。
其中，采用一种优化后的Dice损失函数：Llog-cosh-dice损失函数对DeepLab V3+网络进行训练，该损失函数的计算公式如下：
其中，y是真实的分割标签，是网络预测的分割结果。通过公式(1)能够有效缓解如公式(2)所示的Dice损失函数造成的训练不稳定问题，同时保留对小目标识别的优良特性。
6、将待分割的腹部扫描图像输入所述腹部组织自动分割模型，自动得到肾脏分割图像和肾肿瘤分割图像
整个自动分割流程为：首先采用3D U-Net对肾脏进行分割以定位肾脏区域，采取基于最大连通域的后处理算法去除假阳性区域；基于肾脏分割结果裁取肾脏感兴趣区域(ROIs)作为DeepLabV3+分割网络的输入，得到初步的肾肿瘤分割结果，最后基于肾脏分割模板去除肾肿瘤分割的假阳性目标优化肾肿瘤分割结果。
实施例2
本实施例提供一种腹部组织图像自动分割系统，其采用实施例1的方法对腹部组织图像进行自动分割。
实施例3
本实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现实施例1的方法。
实施例4
本实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (10)
1.一种腹部组织图像自动分割方法，其特征在于，包括以下步骤：
1)对腹部扫描图像进行预处理，构建得到用于腹部组织分割任务的第一训练数据集；
2)利用所述第一训练数据集对3D U-Net网络进行训练，得到腹部组织自动分割模型；
3)将所述第一训练数据集经所述腹部组织自动分割模型处理后得到的结果进行裁剪和数据增强处理，构建得到用于肿瘤分割任务的第二训练数据集；
4)利用所述第二训练数据集对DeepLab V3+网络进行训练，得到肿瘤自动分割模型；
5)将所述腹部组织自动分割模型和肿瘤自动分割模型级联，得到腹部组织自动分割模型；
6)将待分割的腹部扫描图像输入所述腹部组织自动分割模型，自动得到腹部组织分割图像和肿瘤分割图像。
2.根据权利要求1所述的腹部组织图像自动分割方法，其特征在于，所述步骤1)中的预处理具体包括：对腹部扫描图像依次进行灰度截断处理、Z-score标准化处理和重采样处理。
3.根据权利要求2所述的腹部组织图像自动分割方法，其特征在于，所述步骤2)中，先将所述第一训练数据集中的腹部扫描图像随机裁剪为大小一致的图像块后作为3D U-Net网络的输入，其中，图像块的采样方法采用以下方法A和方法B相结合的方式进行；
方法A：将图像块的中心点选取为腹部组织区域的坐标点；
方法B：在整个腹部扫描图像中随机选取图像块。
4.根据权利要求3所述的腹部组织图像自动分割方法，其特征在于，所述3D U-Net网络包括下采样单元和上采样单元；
所述下采样单元包括依次连接的5个卷积下采样层，每个所述卷积下采样层均包括第一下单元层和第二下单元层，所述第一下单元层包括步长为2的3×3×3下采样卷积块、实例归一化模块以及ReLU激活函数，所述第二下单元层包括3×3×3的三维卷积块、实例归一化模块以及ReLU激活函数；
所述上采样单元包括依次连接的5个卷积上采样层，每个所述卷积上采样层均包括第一上单元层，且除与所述5个卷积下采样层中的最后一个连接的卷积上采样层外，其余的4个卷积上采样层还均包括两个第二上单元层；
所述第一上单元层包括步长为2的3×3×3转置卷积块，每个所述第二上单元层均包括3×3×3的三维卷积块、实例归一化模块以及ReLU激活函数。
5.根据权利要求1所述的腹部组织图像自动分割方法，其特征在于，所述步骤3)中，进行裁剪时，对腹部组织分割结果分别在X、Y、Z轴扩充20、20、5个像素点，得到腹部组织感兴趣区域，用于肿瘤的分割；
进行数据增强的方法包括：对图像进行随机旋转90度、对称翻转、图像模糊处理、缩放并旋转随机角度、对比度增强处理。
6.根据权利要求1所述的腹部组织图像自动分割方法，其特征在于，所述DeepLab V3+网络包括初始化层、与所述初始化层依次连接的4个特征提取模块、与最后一个特征提取模块连接的空间金字塔池化模块以及解码模块；
所述初始化层包括卷积块、批归一化操作层和ReLU激活函数；
所述特征提取模块包括依次连接的若干提取单元，每个所述提取单元均包括一个第一残差瓶颈结构和若干个第二残差瓶颈结构；
所述第一残差瓶颈结构包括依次连接的第一卷积块、第二卷积块和第三卷积块，以及一个侧边卷积块；所述侧边卷积块连接所述第一卷积块的输入端和所述第三卷积块的输出端；其中，所述第一卷积块、第三卷积块和侧边卷积块均为1×1卷积块，所述第二卷积块为3×3卷积块；
所述第二残差瓶颈结构包括依次连接的第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块和第六卷积块为1×1卷积块，所述第五卷积块为3×3卷积块；
所述空间金字塔池化模块包括依次设置的1×1卷积块、膨胀率依次为2、4、8的3个3×3卷积以及全局平均池化层；
所述解码模块包括一个1×1卷积块、一个3×3卷积块和Sigmoid函数，第一个所述提取单元处理得到的特征图通过该1×1卷积块处理后与所述空间金字塔池化模块输出的融合特征图拼接，然后经该3×3卷积块操作和上采样处理恢复图像分辨率，最后经该Sigmoid函数进行二值化处理后得到肿瘤分割图像。
7.根据权利要求6所述的腹部组织图像自动分割方法，其特征在于，所述步骤4)中采用Llog-cosh-dice损失函数对DeepLab V3+网络进行训练，该损失函数的计算公式如下：
其中，y是真实的分割标签，是网络预测的分割结果。
8.一种腹部组织图像自动分割系统，其特征在于，其采用如权利要求1-7中任意一项所述的方法对腹部组织图像进行自动分割。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-7中任意一项所述的方法。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110409678.5A CN113052849B (zh) | 2021-04-16 | 2021-04-16 | 腹部组织图像自动分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110409678.5A CN113052849B (zh) | 2021-04-16 | 2021-04-16 | 腹部组织图像自动分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052849A CN113052849A (zh) | 2021-06-29 |
| CN113052849B true CN113052849B (zh) | 2024-01-26 |
Family
ID=76520331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110409678.5A Active CN113052849B (zh) | 2021-04-16 | 2021-04-16 | 腹部组织图像自动分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052849B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436173B (zh) * | 2021-06-30 | 2023-06-27 | 陕西大智慧医疗科技股份有限公司 | 基于边缘感知的腹部多器官分割建模、分割方法及系统 |
| 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 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
| CN109118491A (zh) * | 2018-07-30 | 2019-01-01 | 深圳先进技术研究院 | 一种基于深度学习的图像分割方法、系统及电子设备 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110322435A (zh) * | 2019-01-20 | 2019-10-11 | 北京工业大学 | 一种基于深度学习的胃癌病理图像癌变区域分割方法 |
| CN110674824A (zh) * | 2019-09-26 | 2020-01-10 | 五邑大学 | 基于R2U-Net的手指静脉分割方法、装置和存储介质 |
| CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
| CN111798469A (zh) * | 2020-07-13 | 2020-10-20 | 珠海函谷科技有限公司 | 基于深度卷积神经网络的数字图像小数据集语义分割方法 |
| 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 |
| KR102176139B1 (ko) * | 2019-05-30 | 2020-11-09 | 가천대학교 산학협력단 | 연속적인 딥 인코더-디코더 네트워크를 이용한 이미지 세그먼테이션 장치 및 그 방법 |
| CN112085736A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于混维卷积的肾肿瘤分割方法 |
| CN112085744A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于多尺度特征学习的肾肿瘤分割方法 |
| CN112085743A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种肾肿瘤的图像分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190205758A1 (en) * | 2016-12-30 | 2019-07-04 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
-
2021
- 2021-04-16 CN CN202110409678.5A patent/CN113052849B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
| CN109118491A (zh) * | 2018-07-30 | 2019-01-01 | 深圳先进技术研究院 | 一种基于深度学习的图像分割方法、系统及电子设备 |
| CN110322435A (zh) * | 2019-01-20 | 2019-10-11 | 北京工业大学 | 一种基于深度学习的胃癌病理图像癌变区域分割方法 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| KR102176139B1 (ko) * | 2019-05-30 | 2020-11-09 | 가천대학교 산학협력단 | 연속적인 딥 인코더-디코더 네트워크를 이용한 이미지 세그먼테이션 장치 및 그 방법 |
| CN110674824A (zh) * | 2019-09-26 | 2020-01-10 | 五邑大学 | 基于R2U-Net的手指静脉分割方法、装置和存储介质 |
| CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
| CN111798469A (zh) * | 2020-07-13 | 2020-10-20 | 珠海函谷科技有限公司 | 基于深度卷积神经网络的数字图像小数据集语义分割方法 |
| 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 |
| CN112085736A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于混维卷积的肾肿瘤分割方法 |
| CN112085744A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于多尺度特征学习的肾肿瘤分割方法 |
| CN112085743A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种肾肿瘤的图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052849A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784647B (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 | |
| CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
| CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
| CN111445478B (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 | |
| US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
| CN113052849B (zh) | 腹部组织图像自动分割方法及系统 | |
| CN110599500B (zh) | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 | |
| CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN111626927B (zh) | 采用视差约束的双目图像超分辨率方法、系统及装置 | |
| CN111275712B (zh) | 一种面向大尺度图像数据的残差语义网络训练方法 | |
| CN112200725B (zh) | 一种超分辨率重建方法、装置、存储介质及电子设备 | |
| CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| CN111916206B (zh) | 一种基于级联的ct影像辅助诊断系统 | |
| CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
| CN113298718A (zh) | 一种单幅图像超分辨率重建方法及系统 | |
| CN113539402B (zh) | 多模态影像自动勾画模型迁移方法 | |
| CN113658201A (zh) | 基于增强型多尺度特征的深度学习结直肠癌息肉分割装置 | |
| CN112037304A (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
| CN112070752A (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
| CN113012164A (zh) | 基于聚合层间信息的U-Net肾脏肿瘤图像分割方法、设备及存储介质 | |
| CN114187181A (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
| CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
| CN112102327B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN109584995B (zh) | Tace治疗结果图像分析方法、系统、设备及存储介质 | |
| CN109359654B (zh) | 基于频率调谐全局显著度和深度学习的图像分割方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |