CN113052851A - 基于深度学习的医学图像处理方法、系统以及计算机设备 - Google Patents
基于深度学习的医学图像处理方法、系统以及计算机设备 Download PDFInfo
- Publication number
- CN113052851A CN113052851A CN201911372397.6A CN201911372397A CN113052851A CN 113052851 A CN113052851 A CN 113052851A CN 201911372397 A CN201911372397 A CN 201911372397A CN 113052851 A CN113052851 A CN 113052851A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- model
- training
- interest
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 72
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000013136 deep learning model Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 51
- 210000000988 bone and bone Anatomy 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012805 post-processing Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 210000003423 ankle Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 210000001872 metatarsal bone Anatomy 0.000 description 6
- 210000000459 calcaneus Anatomy 0.000 description 5
- 210000003789 metatarsus Anatomy 0.000 description 5
- 210000004233 talus Anatomy 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000000460 cuneiform bone Anatomy 0.000 description 2
- 210000000859 intermediate cuneiform Anatomy 0.000 description 2
- 241001484259 Lacuna Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 210000000458 cuboid bone Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003871 fifth metatarsal bone Anatomy 0.000 description 1
- 210000001906 first metatarsal bone Anatomy 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000002981 fourth metatarsal bone Anatomy 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 210000000705 lateral cuneiform Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000113 medial cuneiform Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000450 navicular bone Anatomy 0.000 description 1
- 210000001203 second metatarsal bone Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004374 third metatarsal bone Anatomy 0.000 description 1
- 210000001519 tissue 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的医学图像处理方法、系统以及计算机设备。其中，深度学习模型设计方法包括如下步骤：S11、收集图像数据；S12、对图像数据进行标注，获得初始标注数据集；S13、将初始标注数据集划分为训练集和测试集；S14、选择和设计深度学习模型，获得深度学习初始模型；S15、调整深度学习初始模型超参数，对深度学习初始模型进行训练，获得深度学习训练后模型；S16、对深度学习训练后模型进行测试，计算获得测试系数；S17、判断测试系数是否达到一固定参数值以上，若是，则获得深度学习最终模型；若否，深度学习训练后模型参数不符合要求，返回步骤S15。本发明能够快速、高精度地分割出复杂部位图像，以提高医生工作效率和诊断的准确度。
Description
技术领域
本发明涉及医学图像处理领域，尤其涉及一种基于深度学习的医学图像处理方法、系统以及计算机设备。
背景技术
精确的医学图像分割是后续医生进行诊断、制定手术方案的坚实基础，若图像分割结果存在偏差，将影响手术的安全性及有效性，因此，高效、高精度的图像分割方法至关重要。然而，目前针对复杂部位的图像分割仍然无法获得良好的效果。
例如，脚踝部分包括跟骨、距骨、舟骨、内楔骨、中间楔骨、外楔骨、骰骨、五块跖骨以及趾骨（趾骨中包含14块骨）等26块骨头。这些部位之间，各块骨骼紧密相连，骨关节处骨与骨间的腔隙较小，且骨关节灰度与周边组织灰度相似，使得骨关节分割难度较大。采用传统的方法对这26块骨头进行分割，难以达到满意效果，容易造成骨关节处的分割不完全，分割边界泄露等情况，需要繁琐的后续编辑处理；使用人工标定的方式，通常需要耗费大量的人力、物力和时间，而且不同人标定的结果具有一定差异性，将影响骨关节分割的精确度。
目前常用的基于最大流最小分割思想的方法、分水岭方法等，对于脚踝多目标的分割需要人工添加大量的前景与背景标记；基于模板匹配或配准的方法，不仅计算耗时长，而且分割效果难以保证。
因此，确有必要提供一种基于深度学习的医学图像处理方法、系统以及计算机设备，以克服现有技术中存在的缺陷。
发明内容
本发明的目的在于提供一种能够快速、高精度地分割出复杂部位图像的基于深度学习的医学图像处理方法、系统以及计算机设备。
为实现上述目的，本发明提供了一种深度学习模型设计方法，包括如下步骤：S11、收集含有待分割部位的二维医学图像数据；S12、对感兴趣区域的图像数据进行标注，获得初始标注数据集；S13、将所述初始标注数据集划分为训练集和测试集；S14、选择和设计深度学习模型，获得深度学习初始模型；具体步骤如下：选择深度学习模型；根据所选择的深度学习模型，在网络的首层添加一个自适应层，获得深度学习设计模型；根据所述深度学习设计模型，在网络的尾层添加一个自定义的损失函数loss，获得深度学习初始模型；S15、调整深度学习初始模型超参数，根据获得的训练集数据，对所述深度学习初始模型进行训练，获得深度学习训练后模型；S16、根据获得的测试集数据，对所述深度学习训练后模型进行测试，计算获得测试系数；S17、判断所述测试系数是否达到一固定参数值以上，判断结果为是，则深度学习训练后模型参数符合要求，训练结束，获得深度学习最终模型；否则，深度学习训练后模型参数不符合要求，返回步骤S15。
进一步地，所述自适应层的激活函数为
，其中，x为自适应层的输入，τ为x的自适应阈值；所述损失函数loss=
，其中ω是一个常量，为自定义的超参数；
表示分割的类别；
表示第
个类别的骨所预测到的体积；
表示第
个类别的骨人工标记的体积；
表示第
个类别预测正确的体积；
表示第
个类别预测的骨与人工标记的骨相并之后得到的体积。
进一步地，选择深度学习模型的方法包括如下步骤：S31、将所述训练集数据分为N份，其中N-1份作为训练数据，1份作为验证数据，其中N为大于1的整数；S32、选取一个深度学习训练模型，作为初步选择的深度学习模型；S33、根据获得的训练数据，对初步选择的深度学习模型进行训练，根据获得的验证数据，对初步选择的深度学习模型进行验证，同时记录误差；S34、非重复地选取步骤S31中N份训练集数据中的另一份数据作为验证数据，其余N-1份作为训练数据，重复步骤S33的操作；S35、步骤S33和S34重复N次后，记录N次所记录误差的平均值，获得所选择的深度学习模型的平均误差；S36、挑选其他深度学习模型作为初步选择的深度学习模型，重复步骤S33~S35，获得其他深度学习模型的平均误差；S37、选取平均误差最小的深度学习模型，作为最终所选择的深度学习模型。
进一步地，自适应阈值τ的计算步骤如下：S41、遍历网络首层的输入数据，计算平均值μ；S42、用所述平均值μ作为阈值将网络首层输入数据分割为前景、背景两个部分，分别计算所述前景部分与所述背景部分的均值t_fore、t_back；S43、根据获得的前景部分均值、背景部分均值，计算新的阈值μ_new，所述阈值μ_new=（t_fore+t_back）/2；S44、根据获得的新的阈值μ_new，计算获得diff，所述diff=μ_new-μ，并将μ_new的值赋值给μ；S45、重复步骤S42~S44，直至diff小于设定的阈值迭代停止，获得自适应阈值τ。
一种基于深度学习的医学图像处理方法，其是基于权利要求1所述的深度学习模型设计方法所设计的深度学习模型，包括如下步骤：读取二维医学图像数据；对读取后的二维医学图像数据进行预处理，获得初始数据；根据获得的初始数据，提取感兴趣区域数据；将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；运行所述深度学习最终模型，得到初始分割结果；对所述初始分割结果进行后处理，获得最终分割结果。
进一步地，所述预处理的方法为滤波处理。
进一步地，将所述缩放后的感兴趣区域数据标准化处理的方法包括如下步骤：根据所述缩放后的感兴趣区域数据，获得缩放后的感兴趣区域数据的像素值
；根据获得的像素值
计算其均值μ和方差σ；根据获得的均值μ和方差σ，计算获得标准化后的像素值
，所述
;将所述标准化后的像素值
赋值给像素值
作为标准化处理后的像素值，即令
。
一种基于深度学习的医学图像处理系统，所述系统包括：读取模块，用于读取二维医学图像数据；预处理模块，用于对读取后的二维医学图像数据进行预处理，获得训练数据；提取模块，用于根据获得的训练数据，提取感兴趣区域数据；缩放模块，用于将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；标准化模块，用于将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；运行模块，用于运行深度学习最终模型，得到初始分割结果；后处理模块，用于对所述初始分割结果进行后处理，获得最终分割结果。
一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：读取二维医学图像数据；对读取后的二维医学图像数据进行预处理，获得训练数据；根据获得的训练数据，提取感兴趣区域数据；将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；运行深度学习最终模型，得到初始分割结果；对所述初始分割结果进行后处理，获得最终分割结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：读取二维医学图像数据；对读取后的二维医学图像数据进行预处理，获得训练数据；根据获得的训练数据，提取感兴趣区域数据；将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；运行深度学习最终模型，得到初始分割结果；
对所述初始分割结果进行后处理，获得最终分割结果。
本发明的基于深度学习的医学图像处理方法、系统以及计算机设备，采用全自动分割算法，能够在几十秒内全自动地从整个脚踝精细地分出跟骨、距骨、舟骨、内楔骨、中间楔骨、外楔骨、骰骨、第一跖骨、第二跖骨、第三跖骨、第四跖骨、第五跖骨以及趾骨等26块骨头，以供医生参考，医生根据分割重建后的结果，对患者进行具体分析得到诊断结果，从而减少医生的工作量，提高医生工作效率和诊断的准确度。
附图说明
图1为本发明用于医学图像处理的深度学习模型设计的方法流程示意图。
图2为图1中的选择和设计深度学习模型，获得深度学习初始模型的流程示意图。
图3为图2中选择深度学习模型的流程示意图。
图4为图2中自适应阈值τ的计算方法流程示意图。
图5为本发明基于深度学习的医学图像处理方法的流程示意图。
图6为图5中将所述缩放后的感兴趣区域数据标准化处理的方法流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例作详细的说明。
实施例一：
如图1所示，本实施例一提供了一种用于医学图像处理的深度学习模型设计方法，包括如下步骤：
S11、收集含有待分割部位的二维医学图像数据；
S12、对感兴趣区域的图像数据进行标注，获得初始标注数据集；
S13、将所述初始标注数据集划分为训练集和测试集；
S14、选择和设计深度学习模型，获得深度学习初始模型；
S15、调整深度学习初始模型超参数，根据获得的训练集数据，对所述深度学习初始模型进行训练，获得深度学习训练后模型；
S16、根据获得的测试集数据，对所述深度学习训练后模型进行测试，计算获得测试系数；
S17、判断所述测试系数是否达到一固定参数值以上，判断结果为是，则深度学习训练后模型参数符合要求，训练结束，获得深度学习最终模型；否则，深度学习训练后模型参数不符合要求，返回步骤S15。
本实施例一中，步骤S11中所述待分割部位为脚踝部位，所述二维医学图像数据的数量为100套以上，每套数据的大小可以是512*512像素*100张。
步骤S12中所述对感兴趣区域的图像数据进行标注，是组织一些有资质的医师手工勾画所述感兴趣区域的图像数据中的跟骨、距骨、舟骨、内楔骨、中间楔骨、外楔骨、骰骨、第一跖骨、第二跖骨、第三跖骨、第四跖骨、第五跖骨以及趾骨等26块骨头，获得初始标注数据集。
步骤S13中将所述初始标注数据集划分为训练集和测试集，可以采用随机分配方式进行划分操作，所述训练集和测试集的分配比例可以是80%和20%。
步骤S16中所述测试系数为测试集数据分割结果的指标DICE系数；步骤S17中所述一固定参数值为90%。
如图2所示，步骤S14中选择和设计深度学习模型，获得深度学习初始模型的方法，包括如下步骤：
S21、选择深度学习模型，所述深度学习模型包括但不限于FCN、Res-VNet、U-Net、V-Net模型，所述选择深度学习模型的方法是将训练集数据通过N-fold交叉验证来评测所选择的深度学习模型的鲁棒性，选择鲁棒性较好的深度学习模型；
S22、根据所选择的深度学习模型，在网络的首层添加一个自适应层，获得深度学习设计模型；所述自适应层的激活函数为
，其中，x为自适应层的输入，τ为x的自适应阈值；
S23、根据所述深度学习设计模型，在网络的尾层添加一个自定义的损失函数loss，获得深度学习初始模型；所述损失函数loss=
，其中ω是一个常量，为自定义的超参数；
表示分割的类别，例如：定义跟骨为类别1、距骨为类别2、舟骨为类别3，以此类推；
表示第
个类别的骨所预测到的体积；
表示第
个类别的骨人工标记的体积；
表示第
个类别预测正确的体积；
表示第
个类别预测的骨与人工标记的骨相并之后得到的体积。
如图3所示，步骤S21中所述选择深度学习模型的方法包括如下步骤：
S31、将所述训练集数据分为N份，其中N-1份作为训练数据，1份作为验证数据，其中N为大于1的整数；
S32、选取一个深度学习训练模型，作为初步选择的深度学习模型；
S33、根据获得的训练数据，对初步选择的深度学习模型进行训练，根据获得的验证数据，对初步选择的深度学习模型进行验证，同时记录误差；
S34、非重复地选取步骤S31中N份训练集数据中的另一份数据作为验证数据，其余N-1份作为训练数据，重复步骤S33的操作；
S35、步骤S33和S34重复N次后，记录N次所记录误差的平均值，获得所选择的深度学习模型的平均误差；
S36、挑选其他深度学习模型作为初步选择的深度学习模型，重复步骤S33~S35，获得其他深度学习模型的平均误差；
S37、选取平均误差最小的深度学习模型，作为最终所选择的深度学习模型。
其中，N的取值范围为3~10，优选的，N的取值范围为5~10，更优选的，本实施例一中N的取值为10。
如图4所示，步骤S22中自适应阈值τ的计算步骤如下：
S41、遍历网络首层的输入数据，计算平均值μ；
S42、用所述平均值μ作为阈值将网络首层输入数据分割为前景、背景两个部分，分别计算所述前景部分与所述背景部分的均值t_fore、t_back；
S43、根据获得的前景部分均值、背景部分均值，计算新的阈值μ_new，所述阈值μ_new=（t_fore+t_back）/2；
S44、根据获得的新的阈值μ_new，计算获得diff，所述diff=μ_new-μ，并将μ_new的值赋值给μ，即令μ=μ_new；
S45、重复步骤S42~S44，直至diff小于设定的阈值迭代停止，获得所述激活函数中的自适应阈值τ，所述自适应阈值τ为得到的最终的μ值。
其中，步骤S45中所述设定的阈值，其取值范围为0.01~10，优选的，本实施例一中所述设定的阈值为0.1。
实施例二：
如图5所示，本实施例二提供了一种基于实施例一所设计的深度学习模型的医学图像处理方法，包括如下步骤：
S51、读取二维医学图像数据，所述二维医学图像数据为符合DICOM3.0标准的CT图像数据；
S52、对读取后的二维医学图像数据进行预处理，获得初始数据；
S53、根据获得的初始数据，提取感兴趣区域数据；
S54、将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据，所述固定尺寸可以是512*512像素；
S55、将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
S56、运行实施例一所获得的深度学习最终模型，得到初始分割结果；
S57、对所述初始分割结果进行后处理，获得最终分割结果。
步骤S52中的预处理方法为滤波处理，如中值滤波、均值滤波、高斯滤波、双边滤波或其他滤波方法。
步骤S53中提取感兴趣区域数据的方法包括：根据获得的初始数据，根据设定的阈值，自动搜索图像所有连通域，并将所有连通域各自生长到单独容器中；根据每个连通域的大小和方位判断出病人脚踝部位的区域，并提取出脚踝部位区域作为感兴趣区域数据。
步骤S57中对所述初始分割结果进行后处理的方法，是修改部分过分割和欠分割的区域，对小的误分割杂质进行滤除，并通过形态学膨胀、腐蚀、填充等算法进行处理，获得最终分割结果。
如图6所示，步骤S55中将所述缩放后的感兴趣区域数据标准化处理的方法包括如下步骤：
S61、根据所述缩放后的感兴趣区域数据，获得缩放后的感兴趣区域数据的像素值
；
S62、根据获得的像素值
计算其均值μ和方差σ；
S63、根据获得的均值μ和方差σ，计算获得标准化后的像素值
，所述
;
S64、将所述标准化后的像素值
赋值给像素值
作为标准化处理后的像素值，即令
。
由于病人的个体化差异以及医生对二维影像信息观察的局限性，难免会发生判断失误的情形。本发明采用基于深度学习的医学图像处理方法，采用全自动分割算法，能够在几十秒内全自动地从整个脚踝精细地分出跟骨、距骨、舟骨、内楔骨、中间楔骨、外楔骨、骰骨、第一跖骨、第二跖骨、第三跖骨、第四跖骨、第五跖骨以及趾骨等26块骨头，以供医生参考，医生根据分割重建后的结果，对患者进行具体分析得到诊断结果，从而减少医生的工作量，提高医生工作效率和诊断的准确度。
实施例三：
本实施例三提供了一种基于深度学习的医学图像处理系统，所述系统包括：
读取模块，用于读取二维医学图像数据，所述二维医学图像数据为符合DICOM3.0标准的CT图像数据；
预处理模块，用于对读取后的二维医学图像数据进行预处理，获得训练数据；
提取模块，用于根据获得的训练数据，提取感兴趣区域数据；
缩放模块，用于将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据，所述固定尺寸可以是512*512像素；
标准化模块，用于将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
运行模块，用于运行实施例一所获得的深度学习最终模型，得到初始分割结果；
后处理模块，用于对所述初始分割结果进行后处理，获得最终分割结果。
所述基于深度学习的医学图像处理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各个模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本实施例三提供的所述基于深度学习的医学图像处理系统，其实现原理和技术效果与上述方法实施例二类似，在此不再赘述。
实施例四：
本实施例四提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S71、读取二维医学图像数据，所述二维医学图像数据为符合DICOM3.0标准的CT图像数据；
S72、对读取后的二维医学图像数据进行预处理，获得训练数据；
S73、根据获得的训练数据，提取感兴趣区域数据；
S74、将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据，所述固定尺寸可以是512*512像素；
S75、将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
S76、运行实施例一所获得的深度学习最终模型，得到初始分割结果；
S77、对所述初始分割结果进行后处理，获得最终分割结果。
本实施例四提供的所述计算机设备，其实现原理和技术效果与上述方法实施例二类似，在此不再赘述。
实施例五
本实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
S81、读取二维医学图像数据，所述二维医学图像数据为符合DICOM3.0标准的CT图像数据；
S82、对读取后的二维医学图像数据进行预处理，获得训练数据；
S83、根据获得的训练数据，提取感兴趣区域数据；
S84、将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据，所述固定尺寸可以是512*512像素；
S85、将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
S86、运行实施例一所获得的深度学习最终模型，得到初始分割结果；
S87、对所述初始分割结果进行后处理，获得最终分割结果。
本实施例五提供的所述计算机可读存储介质，其实现原理和技术效果与上述方法实施例二类似，在此不再赘述。
综上，以上仅为本发明的较佳实施例而已，不应以此限制本发明的范围，即凡是依本发明的权利要求书及本发明说明书内容所作的简单的等效变化与修饰，均应仍属本发明专利涵盖的范围内。
Claims (10)
1.一种深度学习模型设计方法，其特征在于，包括如下步骤：
S11、收集含有待分割部位的二维医学图像数据；
S12、对感兴趣区域的图像数据进行标注，获得初始标注数据集；
S13、将所述初始标注数据集划分为训练集和测试集；
S14、选择和设计深度学习模型，获得深度学习初始模型；具体步骤如下：选择深度学习模型；根据所选择的深度学习模型，在网络的首层添加一个自适应层，获得深度学习设计模型；根据所述深度学习设计模型，在网络的尾层添加一个自定义的损失函数loss，获得深度学习初始模型；
S15、调整深度学习初始模型超参数，根据获得的训练集数据，对所述深度学习初始模型进行训练，获得深度学习训练后模型；
S16、根据获得的测试集数据，对所述深度学习训练后模型进行测试，计算获得测试系数；
S17、判断所述测试系数是否达到一固定参数值以上，判断结果为是，则深度学习训练后模型参数符合要求，训练结束，获得深度学习最终模型；否则，深度学习训练后模型参数不符合要求，返回步骤S15。
2.如权利要求1所述的深度学习模型设计方法，其特征在于，所述自适应层的激活函数为
，其中，x为自适应层的输入，τ为x的自适应阈值；
所述损失函数loss=
，其中ω是一个常量，为自定义的超参数；
表示分割的类别；
表示第
个类别的骨所预测到的体积；
表示第
个类别的骨人工标记的体积；
表示第
个类别预测正确的体积；
表示第
个类别预测的骨与人工标记的骨相并之后得到的体积。
3.如权利要求1所述的深度学习模型设计方法，其特征在于，选择深度学习模型的方法包括如下步骤：
S31、将所述训练集数据分为N份，其中N-1份作为训练数据，1份作为验证数据，其中N为大于1的整数；
S32、选取一个深度学习训练模型，作为初步选择的深度学习模型；
S33、根据获得的训练数据，对初步选择的深度学习模型进行训练，根据获得的验证数据，对初步选择的深度学习模型进行验证，同时记录误差；
S34、非重复地选取步骤S31中N份训练集数据中的另一份数据作为验证数据，其余N-1份作为训练数据，重复步骤S33的操作；
S35、步骤S33和S34重复N次后，记录N次所记录误差的平均值，获得所选择的深度学习模型的平均误差；
S36、挑选其他深度学习模型作为初步选择的深度学习模型，重复步骤S33~S35，获得其他深度学习模型的平均误差；
S37、选取平均误差最小的深度学习模型，作为最终所选择的深度学习模型。
4.如权利要求2所述的深度学习模型设计方法，其特征在于，自适应阈值τ的计算步骤如下：
S41、遍历网络首层的输入数据，计算平均值μ；
S42、用所述平均值μ作为阈值将网络首层输入数据分割为前景、背景两个部分，分别计算所述前景部分与所述背景部分的均值t_fore、t_back；
S43、根据获得的前景部分均值、背景部分均值，计算新的阈值μ_new，所述阈值μ_new=（t_fore+t_back）/2；
S44、根据获得的新的阈值μ_new，计算获得diff，所述diff=μ_new-μ，并将μ_new的值赋值给μ；
S45、重复步骤S42~S44，直至diff小于设定的阈值迭代停止，获得自适应阈值τ。
5.一种基于深度学习的医学图像处理方法，其是基于权利要求1所述的深度学习模型设计方法所设计的深度学习模型，其特征在于，包括如下步骤：
读取二维医学图像数据；
对读取后的二维医学图像数据进行预处理，获得初始数据；
根据获得的初始数据，提取感兴趣区域数据；
将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；
将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
运行所述深度学习最终模型，得到初始分割结果；
对所述初始分割结果进行后处理，获得最终分割结果。
6.如权利要求5所述的基于深度学习的医学图像处理方法，其特征在于，所述预处理的方法为滤波处理。
7.如权利要求5所述的基于深度学习的医学图像处理方法，其特征在于，将所述缩放后的感兴趣区域数据标准化处理的方法包括如下步骤：
根据所述缩放后的感兴趣区域数据，获得缩放后的感兴趣区域数据的像素值
；
根据获得的像素值
计算其均值μ和方差σ；
根据获得的均值μ和方差σ，计算获得标准化后的像素值
，所述
;
将所述标准化后的像素值
赋值给像素值
作为标准化处理后的像素值，即令
。
8.一种基于深度学习的医学图像处理系统，其特征在于，所述系统包括：
读取模块，用于读取二维医学图像数据；
预处理模块，用于对读取后的二维医学图像数据进行预处理，获得训练数据；
提取模块，用于根据获得的训练数据，提取感兴趣区域数据；
缩放模块，用于将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；
标准化模块，用于将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
运行模块，用于运行深度学习最终模型，得到初始分割结果；
后处理模块，用于对所述初始分割结果进行后处理，获得最终分割结果。
9.一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
读取二维医学图像数据；
对读取后的二维医学图像数据进行预处理，获得训练数据；
根据获得的训练数据，提取感兴趣区域数据；
将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；
将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
运行深度学习最终模型，得到初始分割结果；
对所述初始分割结果进行后处理，获得最终分割结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：
读取二维医学图像数据；
对读取后的二维医学图像数据进行预处理，获得训练数据；
根据获得的训练数据，提取感兴趣区域数据；
将所述感兴趣区域数据通过插值方法缩放到固定尺寸大小，获得缩放后的感兴趣区域数据；
将所述缩放后的感兴趣区域数据标准化处理，获得深度学习模型的输入数据；
运行深度学习最终模型，得到初始分割结果；
对所述初始分割结果进行后处理，获得最终分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911372397.6A CN113052851A (zh) | 2019-12-27 | 2019-12-27 | 基于深度学习的医学图像处理方法、系统以及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911372397.6A CN113052851A (zh) | 2019-12-27 | 2019-12-27 | 基于深度学习的医学图像处理方法、系统以及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052851A true CN113052851A (zh) | 2021-06-29 |
Family
ID=76505910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911372397.6A Pending CN113052851A (zh) | 2019-12-27 | 2019-12-27 | 基于深度学习的医学图像处理方法、系统以及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052851A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
| CN109360208A (zh) * | 2018-09-27 | 2019-02-19 | 华南理工大学 | 一种基于单程多任务卷积神经网络的医学图像分割方法 |
| CN109446332A (zh) * | 2018-12-25 | 2019-03-08 | 银江股份有限公司 | 一种基于特征迁移和自适应学习的人民调解案例分类系统及方法 |
| US20190114467A1 (en) * | 2016-08-31 | 2019-04-18 | Tencent Technology (Shenzhen) Company Limited | Human face authentication method and apparatus, and storage medium |
| CN110110723A (zh) * | 2019-05-07 | 2019-08-09 | 艾瑞迈迪科技石家庄有限公司 | 一种图像中目标区域自动提取的方法及装置 |
| CN110415230A (zh) * | 2019-07-25 | 2019-11-05 | 东北大学 | 一种基于深度学习的ct切片图像语义分割系统及方法 |
-
2019
- 2019-12-27 CN CN201911372397.6A patent/CN113052851A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190114467A1 (en) * | 2016-08-31 | 2019-04-18 | Tencent Technology (Shenzhen) Company Limited | Human face authentication method and apparatus, and storage medium |
| CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
| CN109360208A (zh) * | 2018-09-27 | 2019-02-19 | 华南理工大学 | 一种基于单程多任务卷积神经网络的医学图像分割方法 |
| CN109446332A (zh) * | 2018-12-25 | 2019-03-08 | 银江股份有限公司 | 一种基于特征迁移和自适应学习的人民调解案例分类系统及方法 |
| CN110110723A (zh) * | 2019-05-07 | 2019-08-09 | 艾瑞迈迪科技石家庄有限公司 | 一种图像中目标区域自动提取的方法及装置 |
| CN110415230A (zh) * | 2019-07-25 | 2019-11-05 | 东北大学 | 一种基于深度学习的ct切片图像语义分割系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| CN110459319B (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断系统 | |
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
| CN109146879B (zh) | 一种检测骨龄的方法及装置 | |
| CN110197491B (zh) | 图像分割方法、装置、设备和存储介质 | |
| CN113793301B (zh) | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 | |
| CN111402216B (zh) | 基于深度学习的三维碎骨分割方法和装置 | |
| US11842275B2 (en) | Improving segmentations of a deep neural network | |
| CN109255786B (zh) | 一种检测骨龄的方法及装置 | |
| CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
| CN115661149A (zh) | 一种基于肺部组织数据的肺部影像处理系统 | |
| CN113592820A (zh) | 一种股骨区域及关键点检测方法和系统 | |
| CN113763340A (zh) | 基于多任务深度学习强直性脊柱炎的自动分级方法 | |
| McCullough et al. | Convolutional neural network models for automatic preoperative severity assessment in unilateral cleft lip | |
| CN111915620A (zh) | 一种ct肋骨分割方法及装置 | |
| CN112382360A (zh) | 一种诊断报告自动生成系统、存储介质及电子设备 | |
| Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
| CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
| CN111667457B (zh) | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 | |
| CN117174238A (zh) | 基于人工智能的病理学报告自动生成方法 | |
| CN113052851A (zh) | 基于深度学习的医学图像处理方法、系统以及计算机设备 | |
| CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
| CN113408595B (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 |
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 |