CN113112559A - 一种超声图像的分割方法、装置、终端设备和存储介质 - Google Patents
一种超声图像的分割方法、装置、终端设备和存储介质 Download PDFInfo
- Publication number
- CN113112559A CN113112559A CN202110374019.2A CN202110374019A CN113112559A CN 113112559 A CN113112559 A CN 113112559A CN 202110374019 A CN202110374019 A CN 202110374019A CN 113112559 A CN113112559 A CN 113112559A
- Authority
- CN
- China
- Prior art keywords
- image
- loop
- loss function
- images
- training
- 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 85
- 238000003709 image segmentation Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 87
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 15
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- 238000002591 computed tomography Methods 0.000 claims description 224
- 230000006870 function Effects 0.000 claims description 102
- 238000002604 ultrasonography Methods 0.000 claims description 92
- 230000008569 process Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 15
- 230000003042 antagnostic effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 8
- 210000003734 kidney Anatomy 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000008839 Kidney Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000005084 renal tissue Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及图像处理技术领域,提出一种超声图像的分割方法、装置、终端设备和存储介质。该方法根据CT图像合成模拟的超声图像,在该合成的超声图像上预训练图像分割模型;然后,采用迁移学习的方法,将预训练的图像分割模型迁移至真实的样本超声图像上继续进行训练,以获得最终的图像分割模型,并通过该最终的图像分割模型完成待分割超声图像的分割处理。通过这样设置,能够利用CT图像合成的超声图像代替一部分训练数据,从而解决在训练图像分割模型时缺少训练数据的问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种超声图像的分割方法、装置、终端设备和存储介质。
背景技术
超声图像以其价格亲民、无辐射、非侵入和实时性好的优点,广泛地应用在临床医学领域。对超声图像进行准确且快速的定量分割,可以用于辅助诊断病变类型及病灶大小,为医护人员提供决策的参考。
针对超声图像固有的大量噪声、低分辨率、边界模糊、对比度低、操作者经验依赖等问题,人们通常采用深度学习技术来实现超声图像的分割。然而,在训练图像分割模型时,需要大量带有标签的训练数据,可是由于超声图像的获取以及人工标注费时费力,目前尚无公开的用于超声图像分割的训练数据集,故存在缺少训练数据的问题。
发明内容
有鉴于此,本申请实施例提供了一种超声图像的分割方法、装置、终端设备和存储介质,能够解决在训练图像分割模型时缺少训练数据的问题。
本申请实施例的第一方面提供了一种超声图像的分割方法,包括:
获取待分割超声图像;
将所述待分割超声图像输入已训练的图像分割模型,得到所述待分割超声图像的图像分割结果;
其中,所述图像分割模型通过以下方式训练获得:
以模拟超声图像作为训练集进行预训练,得到初始分割模型,所述模拟超声图像是根据电子计算机断层扫描CT图像合成的超声图像;
采用迁移学习的方法,以样本超声图像作为训练集,继续对所述初始分割模型进行训练,得到所述图像分割模型,所述样本超声图像是预采集的作为训练样本的超声图像。
在本申请实施例中,根据CT图像合成模拟的超声图像,在该合成的超声图像上预训练图像分割模型;然后,采用迁移学习的方法,将图像分割模型迁移至真实的样本超声图像上继续进行训练,以获得最终的图像分割模型,并通过该最终的图像分割模型完成待分割超声图像的分割处理。通过这样设置,能够利用CT图像合成的超声图像代替一部分训练数据,从而解决在训练图像分割模型时缺少训练数据的问题。
在本申请的一个实施例中,所述模拟超声图像可以通过以下方式合成:
获取预采集的CT数据集;
对所述CT数据集进行预处理操作,得到目标CT图像;
将所述目标CT图像输入预训练的循环生成对抗网络,以合成所述模拟超声图像。
进一步的,所述CT数据集包含三维体数据格式的CT图像,所述对所述CT数据集进行预处理操作,得到目标CT图像,可以包括:
调整所述CT数据集包含的CT图像的窗位和窗宽;
将所述CT数据集包含的CT图像从三维体数据分别沿着各个指定方向执行切片处理,得到多张二维的切片CT图像;
从所述多张二维的切片CT图像中分别提取感兴趣区域的图像,作为所述目标CT图像。
更进一步的,所述CT数据集包含的CT图像带有预设的标签,所述标签标记出CT图像中指定目标物的轮廓,在得到多张二维的切片CT图像之后,还可以包括:
将所述多张二维的切片CT图像中包含的所述指定目标物的轮廓的尺寸小于设定阈值的切片CT图像删除;
所述从所述多张二维的切片CT图像中分别提取感兴趣区域的图像,包括:
针对所述多张二维的切片CT图像中的每张CT图像,根据该CT图像包含的所述指定目标物的轮廓计算得到所述指定目标物在该CT图像中的质心位置,并以所述质心位置为中心,从该CT图像中框选出指定大小的图像区域,作为从该CT图像中提取出的感兴趣区域的图像。
在本申请的一个实施例中,所述循环生成对抗网络可以通过以下方式训练获得:
在所述循环生成对抗网络的前向循环和后向循环中,根据循环的初始图像和重建得到的图像计算得到所述循环生成对抗网络的循环一致性损失函数,其中,所述前向循环为将CT图像合成为模拟超声图像再重建为CT图像的过程,所述后向循环为将超声图像合成为模拟CT图像再重建为超声图像的过程,所述循环的初始图像包括所述前向循环中初始的CT图像以及所述后向循环中初始的超声图像,所述重建得到的图像包括所述前向循环中重建得到的CT图像以及所述后向循环中重建得到的超声图像;
根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的对抗损失函数;
根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数;
基于所述目标损失函数完成所述循环生成对抗网络的训练。
进一步的,所述方法还可以包括:
根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,所述形状一致性损失函数用于衡量所述循环生成对抗网络的输入图像包含的指定目标物的轮廓形状和输出图像包含的所述指定目标物的轮廓形状之间的差异程度;
所述根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数,具体可以为:
根据所述循环一致性损失函数、所述对抗损失函数和所述形状一致性损失函数确定所述目标损失函数。
进一步的,所述根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,可以包括:
根据以下公式计算得到所述循环生成对抗网络的形状一致性损失函数:
其中,Lshape(G,F,SX,SY)表示所述形状一致性损失函数,G和F为所述循环生成对抗网络在同一个方向的循环中的两个生成器,x表示所述循环的初始图像,y表示所述重建得到的图像,X表示所述循环的初始图像的图像域,Y表示所述重建得到的图像的图像域,tX表示所述循环的初始图像中包含的所述指定目标物的轮廓形状,tY表示所述重建得到的图像中包含的所述指定目标物的轮廓形状,F(x)表示将图像x输入生成器F后得到的输出图像,G(y)表示将图像y输入生成器G后得到的输出图像,SX和SY是两个辅助映射关系,用于将图像域X和图像域Y的图像映射到同一个形状空间,E表示求数学期望,对应的下标x~Pdata(x)是指图像x的概率分布,对应的下标y~Pdata(y)是指图像y的概率分布。
本申请实施例的第二方面提供了一种超声图像的分割装置,包括:
超声图像获取模块,用于获取待分割超声图像;
图像分割模块,用于将所述待分割超声图像输入已训练的图像分割模型,得到所述待分割超声图像的图像分割结果;
第一模型训练模块,用于以模拟超声图像作为训练集进行预训练,得到初始分割模型,所述模拟超声图像是根据电子计算机断层扫描CT图像合成的超声图像;
第二模型训练模块,用于采用迁移学习的方法,以样本超声图像作为训练集,继续对所述初始分割模型进行训练,得到所述图像分割模型,所述样本超声图像是预采集的作为训练样本的超声图像。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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本申请实施例的第一方面提供的超声图像的分割方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本申请实施例的第一方面提供的超声图像的分割方法。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行本申请实施例的第一方面所述的超声图像的分割方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种超声图像的分割方法的一个实施例的流程图;
图2是本申请实施例提供的一种训练图像分割模型的流程示意图;
图3是本申请实施例提供的循环生成对抗网络中前向循环的处理示意图;
图4是本申请实施例提供的循环生成对抗网络中后向循环的处理示意图;
图5是本申请实施例提供的一种超声图像的分割方法的操作原理示意图;
图6是本申请实施例提供的一种超声图像的分割装置的一个实施例的结构图;
图7是本申请实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请提出一种超声图像的分割方法、装置、终端设备和存储介质,能够解决在训练图像分割模型时缺少训练数据的问题。应当理解,本申请各个方法实施例的执行主体为各种类型的终端设备或服务器,比如手机、平板电脑、笔记本电脑、台式电脑和可穿戴设备等。
请参阅图1,示出了本申请实施例提供的一种超声图像的分割方法,包括:
101、获取待分割超声图像;
首先,获取待分割超声图像。待分割超声图像是需要执行图像分割的超声图像,其可以是任意类型和内容的超声图像,本申请对此不作限制。
102、将所述待分割超声图像输入已训练的图像分割模型,得到所述待分割超声图像的图像分割结果。
在获得待分割图像之后,将其输入一个已训练的图像分割模型,从而得到相应的图像分割结果。在现有技术中,训练该图像分割模型需要大量带标签的训练数据,容易存在缺少训练数据的问题。针对该不足,本申请提出一种新的训练图像分割模型的方法,如图2所示,该图像分割模型可以通过以下方式训练获得:
201、以模拟超声图像作为训练集进行预训练,得到初始分割模型,所述模拟超声图像是根据电子计算机断层扫描CT图像合成的超声图像;
针对超声图像训练数据不足的问题,本申请提出由电子计算机断层扫描CT图像合成模拟的超声图像的方法,在合成的模拟超声图像上进行图像分割模型的预训练,之后再迁移至真实的超声图像训练集进行训练,从而解决真实的超声图像训练集包含的训练数据不足的问题。
在本申请的一个实施例中,所述模拟超声图像可以通过以下方式合成:
(1)获取预采集的CT数据集;
(2)对所述CT数据集进行预处理操作,得到目标CT图像;
(3)将所述目标CT图像输入预训练的循环生成对抗网络,以合成所述模拟超声图像。
对于上述步骤(1),预采集的CT数据集可以是带有标签的三维体格式的数据,该标签可以标注出CT数据集中某些指定目标物的轮廓,例如肾脏的轮廓或者肾脏肿瘤的轮廓,等等。
对于上述步骤(2),在获取CT数据集之后,需要对其进行一系列的预处理操作,以得到用于合成超声图像的目标CT图像。具体的,所述CT数据集包含三维体数据格式的CT图像,上述步骤(2)可以包括:
(2.1)调整所述CT数据集包含的CT图像的窗位和窗宽;
为了优化指定目标物(例如肾脏)在获得的CT图像中的显示质量,可以先对该CT数据集包含的CT图像的窗位和窗宽进行调整,例如根据临床经验,可以将窗位调整到30,将窗宽调整到300。然后,还可以对CT数据集中的CT图像执行灰度反转的处理,即将图像中每个像素点的灰度值和255作差,并取绝对值。
(2.2)将所述CT数据集包含的CT图像从三维体数据分别沿着各个指定方向执行切片处理,得到多张二维的切片CT图像;
为了获得二维的CT图像,可以对该CT数据集的三维体数据分别沿着各个指定方向执行切片处理。例如,针对dicom格式的三维体数据,可以分别沿着轴向(axial)、冠状向(coronal)和矢状向(sagittal)三个方向执行切片处理,每个方向执行一次切片处理可以获得一张二维的切片CT图像(例如可以是png格式的分辨率为512*512的图像),在实际操作中每个方向都会执行多次切片处理,故每个方向都会获得对应的多张二维切片CT图像。这个过程也可称作CT数据集的可视化处理,实质是沿着某一方向读取体数据的某一层二维图像,类似于切面包的动作。
进一步的,所述CT数据集包含的CT图像带有预设的标签,所述标签标记出CT图像中指定目标物的轮廓,在得到多张二维的切片CT图像之后,还可以包括:
将所述多张二维的切片CT图像中包含的所述指定目标物的轮廓的尺寸小于设定阈值的切片CT图像删除。
在CT数据集的可视化处理过程中,可以加入一个切片CT图像筛选的过程,以将获得的多张切片CT图像中某些不符合要求的CT图像删除,筛选的依据可以是该CT数据集中包含的人工标签,该标签标记出CT图像中指定目标物的轮廓。具体的,可以将这些切片CT图像中包含的该指定目标物的轮廓的尺寸小于设定阈值的切片CT图像删除,从而实现从该CT数据集中获取包含该指定目标物的二维CT图像的效果。例如,CT数据集的人工标签标注了肾脏的轮廓以及肾脏肿瘤的轮廓(如果图像中有肿瘤的话),当获得的切片CT图像对应的人工标记中的肾脏轮廓大小大于某一设定阈值的时候,可认为该切片CT图像中具有足够多的肾脏组织图像,故通过筛选。否则,可认为该切片CT图像中没有肾脏图像或者肾脏部分图像过小,没有使用价值,故无法通过筛选。
(2.3)从所述多张二维的切片CT图像中分别提取感兴趣区域的图像,作为所述目标CT图像。
在获得多张二维的切片CT图像后,针对每张图像分别提取对应的感兴趣区域的图像,作为用于合成模拟超声图像的目标CT图像。例如,可以将CT图像中以指定目标物(例如肾脏)为中心的部分区域提取出来作为感兴趣区域(ROI)。
具体的,在提取感兴趣区域的图像时,可以包括:
针对所述多张二维的切片CT图像中的每张CT图像,根据该CT图像包含的所述指定目标物的轮廓计算得到所述指定目标物在该CT图像中的质心位置,并以所述质心位置为中心,从该CT图像中框选出指定大小的图像区域,作为从该CT图像中提取出的感兴趣区域的图像。
例如,针对尺寸为512*512的切片CT图像,首先根据该指定目标物的轮廓计算得到该指定目标物的质心位置,然后以该质心位置为中心,从该切片CT图像中框选出64*64大小的图像区域,作为对应的感兴趣区域的图像,也即前文所述的目标CT图像。
对于上述步骤(3),在获得目标CT图像之后,将其输入一个预先训练的循环生成对抗网络,从而合成对应的模拟超声图像,实现从CT图像到超声图像的转换。通过提取感兴趣区域的CT图像进行模拟超声图像的合成,能够使得合成的模拟超声图像中的图像视野和真实的超声图像的图像视野尽可能地接近。
另外,在上述步骤(3)中,所述循环生成对抗网络可以通过以下方式训练获得:
(3.1)在所述循环生成对抗网络的前向循环和后向循环中,根据循环的初始图像和重建得到的图像计算得到所述循环生成对抗网络的循环一致性损失函数,其中,所述前向循环为将CT图像合成为模拟超声图像再重建为CT图像的过程,所述后向循环为将超声图像合成为模拟CT图像再重建为超声图像的过程,所述循环的初始图像包括所述前向循环中初始的CT图像以及所述后向循环中初始的超声图像,所述重建得到的图像包括所述前向循环中重建得到的CT图像以及所述后向循环中重建得到的超声图像;
(3.2)根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的对抗损失函数;
(3.3)根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数;
(3.4)基于所述目标损失函数完成所述循环生成对抗网络的训练。
在本申请实施例中,将目标CT图像合成为模拟超声图像使用的是循环生成对抗网络,也即CycleGAN。CycleGAN基于的基本假设是优秀的图像合成应该是双向可逆的,具体在本申请中,是指CycleGAN可以实现将预处理过的CT图像合成为模拟超声图像再重建为CT图像,对应前文所述的前向循环;也可以将真实的超声图像转换为模拟CT图像再重建为超声图像,对应前文所述的后向循环。与其它的生成对抗网络相同,CycleGAN由生成器和判别器两部分进行对抗训练学习,其中,生成器被期待生成更逼真的模拟图像,判别器被期待能够准确的判别输入图像是真实的图像还是生成的模拟图像。
CycleGAN使用了两类生成器,可以分别表示为GCT2US和GUS2CT,前者实现从CT图像到超声图像的生成,后者实现从超声图像到CT图像的生成,下标表示图像生成的方向。针对前向循环有一个GCT2US和一个GUS2CT,针对后向循环同样有一个GCT2US和一个GUS2CT,也即CycleGAN总共具有4个生成器。另外,相同类型的生成器之间可以使用权值共享的技术手段,也即两个生成器的网络结构和参数可以始终保持一致,在CycleGAN的训练过程中反向传播更新网络参数时,同时更新两个生成器的网络结构和参数。在实际操作中,该4个生成器的网络结构大致可以相同,例如都可以由三层卷积层、若干残差模块、两个跨步卷积层和最后的一层卷积层组成。在功能结构上,生成器可以由编码器、转换器和解码器构成,该编码器利用卷积神经网络从输入的CT图像中提取特征,将CT图像压缩成特征向量;该转换器通过组合图像的不相近特征,将图像在CT图像域中的特征向量转换为US(超声)图像域中的特征向量,具体可以采用6层的Reset模块实现该转换器,其中每个Reset模块是一个由两个卷积层构成的神经网络,能够实现在转换图像的同时保留原始图像特征的目标;该解码器利用反卷积层完成从特征向量中还原出低级图像特征的工作,最后得到生成的模拟超声图像。具体的说,将该目标CT图像输入生成器GCT2US,执行以上操作后将生成对应的模拟超声图像;将模拟的CT图像输入生成器GCT2US,执行以上操作后将获得重建的超声图像。另外,将超声图像输入生成器GUS2CT历经的操作与将CT图像输入输入生成器GCT2US历经的操作类似,不过图像变换的方向相反。
CycleGAN具有两个判别器,可以分别表示为DUS和DCT,前者用于判别输入图像是真实的超声图像还是生成的模拟超声图像,后者用于判别输入图像是真实的CT图像还是生成的模拟CT图像。两个判别器都可以采用PathGAN的结构,由三层的跨步卷积构成。判别器本身属于卷积网络,需要从图像中提取特征,再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别(即真实图像或者模拟图像)。
CycleGAN的前向循环的处理示意图如图3所示,预处理后的CT图像经过生成器GCT2US的处理,生成模拟超声图像;模拟超声图像再经过生成器GUS2CT的处理,得到重建的CT图像;采用判别器DUS判断生成的模拟超声图像是否为真实的超声图像,另外根据预处理后的CT图像以及重建的CT图像可以计算循环一致性损失Lcyc。
CycleGAN的后向循环的处理示意图如图4所示,真实的超声图像经过生成器GUS2CT的处理,生成模拟CT图像;模拟CT图像再经过生成器GCT2US的处理,得到重建的超声图像;采用判别器DCT判断生成的模拟CT图像是否为真实的CT图像,另外根据真实的超声图像以及重建的超声图像可以计算循环一致性损失Lcyc。
为了提高该循环生成对抗网络的性能,需要计算该网络的循环一致性损失函数,该损失函数的设置能够保证CycleGAN生成器的双向可逆性。具体实现是在前向循环和后向循环中,根据循环的初始图像(包括前向循环中初始的CT图像以及后向循环中初始的超声图像)和重建得到的图像(包括前向循环中重建得到的CT图像以及后向循环中重建得到的超声图像)作为生成器的输入,然后采用某个预设的公式计算得到相应的循环一致性损失。例如,可以采用以下公式计算循环一致性损失:
Lcyc(G,F)=Ex~Pdata(x)[||F(G(x))-x||1]+Ey~Pdata(y)[||G(F(y))-y||1]
其中,Lcyc(G,F)表示循环一致性损失函数,x表示所述循环的初始图像,y表示所述重建得到的图像,G和F为循环生成对抗网络在同一个方向的循环中的两个生成器(在前向循环中G、F分别为生成器GCT2US、GUS2CT,在后向循环中G、F分别为生成器GUS2CT、GCT2US),F(y)表示将图像y输入生成器F后得到的输出图像,G(x)表示将图像x输入生成器G后得到的输出图像,E表示求数学期望,对应的下标x~Pdata(x)是指图像x的概率分布,对应的下标y~Pdata(y)是指图像y的概率分布。
除了循环一致性损失函数,CycleGAN还需要计算对抗损失函数,具体可以采用以下公式计算:
LGAN(G,DY,X,Y)=Ey~Pdata(y)[log DY(y)]+Ex~Pdata(x)[log(1-DY(G(x))]
其中,LGAN(G,DY,X,Y)表示对抗损失函数,x表示所述循环的初始图像,y表示所述重建得到的图像,X表示所述循环的初始图像的图像域,Y表示所述重建得到的图像的图像域,DY为判别器,用于判断重建得到的图像是真实图像还是合成的模拟图像,E表示求数学期望,对应的下标x~Pdata(x)是指图像x的概率分布,对应的下标y~Pdata(y)是指图像y的概率分布。
另外,对抗损失函数有两部分,除了前文所述的LGAN(G,DY,X,Y),还有LGAN(F,DX,Y,X),总的对抗损失函数为该两部分的和。LGAN(F,DX,Y,X)的表达式和LGAN(G,DY,X,Y)的表达式的形式一致,只需将后者表达式中的G替换为F,DY替换为DX即可。
接下来,可以根据前文计算得到的循环一致性损失函数以及对抗损失函数计算对应的目标损失函数,例如可以采用以下公式计算:
Lm=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F)
其中,Lm表示总的目标损失函数,λ为循环一致性系数。
进一步的,在上述循环生成对抗网络的训练过程中,还可以包括:
根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,所述形状一致性损失函数用于衡量所述循环生成对抗网络的输入图像包含的指定目标物的轮廓形状和输出图像包含的所述指定目标物的轮廓形状之间的差异程度。
为了避免CycleGAN在合成模拟超声图像的过程中对原始CT图像的解剖结构产生较大的形变,最终导致原始CT图像的原始标签失效,无法与生成的模拟超声图像对应的问题,本申请引入一种新的损失函数,称作形状一致性损失函数,其用于控制图像解剖结构的形变,从而保证CycleGAN的输入图像和输出图像中具有的轮廓的几何形状一致。
具体的,所述根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,可以包括:
根据以下公式计算得到所述循环生成对抗网络的形状一致性损失函数:
其中,Lshape(G,F,SX,SY)表示所述形状一致性损失函数,G和F为所述循环生成对抗网络在同一个方向的循环中的两个生成器(在前向循环中G、F分别为生成器GCT2US和GUS2CT,在后向循环中G、F分别为生成器GUS2CT和GCT2US),x表示所述循环的初始图像,y表示所述重建得到的图像,X表示所述循环的初始图像的图像域,Y表示所述重建得到的图像的图像域,tX表示所述循环的初始图像中包含的所述指定目标物的轮廓形状,tY表示所述重建得到的图像中包含的所述指定目标物的轮廓形状,F(x)表示将图像x输入生成器F后得到的输出图像,G(y)表示将图像y输入生成器G后得到的输出图像,SX和SY是两个辅助映射关系,用于将图像域X和图像域Y的图像映射到同一个形状空间,在实现上可以由两个卷积神经网络模块组成,也被称为分割器;E表示求数学期望,对应的下标x~Pdata(x)是指图像x的概率分布,对应的下标y~Pdata(y)是指图像y的概率分布。
所述根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数,具体可以为:
根据所述循环一致性损失函数、所述对抗损失函数和所述形状一致性损失函数确定所述目标损失函数。
在引入形状一致性损失函数后,总的目标损失函数可以采用以下公式计算:
L(G,F,DX,DY,SX,SY)=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F)+γLshape(G,F,SX,SY)
其中,L(G,F,DX,DY,SX,SY)表示总的目标损失函数,λ为循环一致性系数,γ为形状一致性系数,在实际操作中,可以令λ=10,γ=1。
在获得总的目标损失函数之后,基于该目标损失函数完成该循环生成对抗网络的训练。本申请通过使用循环生成对抗网络,实现了将CT图像合成为模拟超声图像的功能,具有合成速度快、合成效果好以及可批量合成图像的优点。另外,通过引入形状一致性损失函数,能够控制在合成模拟超声图像时产生的解剖结构变形,为后续的迁移学习操作提供了便利。
202、采用迁移学习的方法,以样本超声图像作为训练集,继续对所述初始分割模型进行训练,得到所述图像分割模型,所述样本超声图像是预采集的作为训练样本的超声图像。
在采用合成的模拟超声图像在源域完成预训练,得到初始分割模型之后,将该模型迁移至目标域进行继续训练,经过两次训练后,得到最终的图像分割模型。经过实验表明,源域和目标域的数据分布越接近,迁移学习的效果越好,对卷积神经网络的性能提升更明显。在本申请中,迁移学习跨越了两种不同的图像模态,迁移学习的源域为根据CT图像合成的模拟超声图像对应的图像域,目标域为真实的样本超声图像对应的图像域。
现有的主流迁移学习方法的源域通常为自然图像域、或者为相同模态的图像域,而本申请使用的是跨模态的迁移学习方法,源域为根据CT图像合成的模拟超声图像,模拟超声图像的分布相较自然图像域更接近真实的超声图像,因此能够有效提升图像分割模型在超声图像分割任务中的性能。
在本申请实施例中,根据CT图像合成模拟的超声图像,在该合成的超声图像上进行预训练图像分割模型;然后,采用迁移学习的方法,将图像分割模型迁移至真实的样本超声图像上继续进行训练,以获得最终的图像分割模型,并通过该最终的图像分割模型完成待分割超声图像的分割处理。通过这样设置,能够利用CT图像合成的超声图像代替一部分训练数据,从而解决在训练图像分割模型时缺少训练数据的问题。
如图5所示,为本申请提出的超声图像的分割方法的操作原理示意图。首先,对预采集的CT数据集进行预处理,得到目标CT图像;然后,将该目标CT图像输入循环生成对抗网络,合成模拟超声图像数据集;接着,在该模拟超声图像数据集上进行预训练,得到初始图像分割模型;最后,采用迁移学习的方法,将该初始图像分割模型迁移至真实的样本超声图像数据集继续进行训练,得到最终的图像分割模型;将待分割的超声图像输入该最终的图像分割模型,即可获得对应的图像分割结果。
总的来说,本申请提供一种基于小样本训练的超声图像分割方法,使用循环生成对抗网络和跨模态迁移学习方法,在超声训练数据有限的情况下,由CT图像合成模拟超声图像以解决超声图像训练数据不足的问题。而且,充分利用CT图像模态中的知识提升图像分割模型的准确性、泛化性能和临床实用性。
应理解,上述各个实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上面主要描述了一种超声图像的分割方法,下面将对一种超声图像的分割装置进行描述。
请参阅图6,本申请实施例中一种超声图像的分割装置的一个实施例包括:
超声图像获取模块601,用于获取待分割超声图像;
图像分割模块602,用于将所述待分割超声图像输入已训练的图像分割模型,得到所述待分割超声图像的图像分割结果;
第一模型训练模块603,用于以模拟超声图像作为训练集进行预训练,得到初始分割模型,所述模拟超声图像是根据电子计算机断层扫描CT图像合成的超声图像;
第二模型训练模块604,用于采用迁移学习的方法,以样本超声图像作为训练集,继续对所述初始分割模型进行训练,得到所述图像分割模型,所述样本超声图像是预采集的作为训练样本的超声图像。
在本申请的一个实施例中,所述超声图像的分割装置还可以包括:
CT数据集获取模块,用于获取预采集的CT数据集;
CT数据预处理模块,用于对所述CT数据集进行预处理操作,得到目标CT图像;
超声图像合成模块,用于将所述目标CT图像输入预训练的循环生成对抗网络,以合成所述模拟超声图像。
进一步的,所述CT数据集包含三维体数据格式的CT图像,所述CT数据预处理模块可以包括:
CT图像参数调整单元,用于调整所述CT数据集包含的CT图像的窗位和窗宽;
CT数据切片单元,用于将所述CT数据集包含的CT图像从三维体数据分别沿着各个指定方向执行切片处理,得到多张二维的切片CT图像;
感兴趣区域提取单元,用于从所述多张二维的切片CT图像中分别提取感兴趣区域的图像,作为所述目标CT图像。
更进一步的,所述CT数据集包含的CT图像带有预设的标签,所述标签标记出CT图像中指定目标物的轮廓,所述CT数据预处理模块还可以包括:
CT图像删除单元,用于将所述多张二维的切片CT图像中包含的所述指定目标物的轮廓的尺寸小于设定阈值的切片CT图像删除;
所述感兴趣区域提取单元具体可以用于:针对所述多张二维的切片CT图像中的每张CT图像,根据该CT图像包含的所述指定目标物的轮廓计算得到所述指定目标物在该CT图像中的质心位置,并以所述质心位置为中心,从该CT图像中框选出指定大小的图像区域,作为从该CT图像中提取出的感兴趣区域的图像。
在本申请的一个实施例中,所述超声图像的分割装置还可以包括:
循环一致性损失函数计算模块,用于在所述循环生成对抗网络的前向循环和后向循环中,根据循环的初始图像和重建得到的图像计算得到所述循环生成对抗网络的循环一致性损失函数,其中,所述前向循环为将CT图像合成为模拟超声图像再重建为CT图像的过程,所述后向循环为将超声图像合成为模拟CT图像再重建为超声图像的过程,所述循环的初始图像包括所述前向循环中初始的CT图像以及所述后向循环中初始的超声图像,所述重建得到的图像包括所述前向循环中重建得到的CT图像以及所述后向循环中重建得到的超声图像;
对抗损失函数计算模块,用于根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的对抗损失函数;
目标损失函数确定模块,用于根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数;
循环生成对抗网络训练模块,用于基于所述目标损失函数完成所述循环生成对抗网络的训练。
进一步的,所述超声图像的分割装置还可以包括:
形状一致性损失函数计算模块,用于根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,所述形状一致性损失函数用于衡量所述循环生成对抗网络的输入图像包含的指定目标物的轮廓形状和输出图像包含的所述指定目标物的轮廓形状之间的差异程度;
所述目标损失函数确定模块具体用于:根据所述循环一致性损失函数、所述对抗损失函数和所述形状一致性损失函数确定所述目标损失函数
更进一步的,所述形状一致性损失函数计算模块具体可以用于:根据以下公式计算得到所述循环生成对抗网络的形状一致性损失函数:
其中,Lshape(G,F,SX,SY)表示所述形状一致性损失函数,G和F为所述循环生成对抗网络在同一个方向的循环中的两个生成器,x表示所述循环的初始图像,y表示所述重建得到的图像,X表示所述循环的初始图像的图像域,Y表示所述重建得到的图像的图像域,tX表示所述循环的初始图像中包含的所述指定目标物的轮廓形状,tY表示所述重建得到的图像中包含的所述指定目标物的轮廓形状,F(x)表示将图像x输入生成器F后得到的输出图像,G(y)表示将图像y输入生成器G后得到的输出图像,SX和SY是两个辅助映射关系,用于将图像域X和图像域Y的图像映射到同一个形状空间,E表示求数学期望,对应的下标x~Pdata(x)是指图像x的概率分布,对应的下标y~Pdata(y)是指图像y的概率分布。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如图1表示的任意一种超声图像的分割方法。
本申请实施例还提供一种计算机程序产品,当该计算机程序产品在终端设备上运行时,使得终端设备执行实现如图1表示的任意一种超声图像的分割方法。
图7是本申请一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个超声图像的分割方法的实施例中的步骤,例如图1所示的步骤101至102。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块601至604的功能。
所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种超声图像的分割方法,其特征在于,包括:
获取待分割超声图像;
将所述待分割超声图像输入已训练的图像分割模型,得到所述待分割超声图像的图像分割结果;
其中,所述图像分割模型通过以下方式训练获得:
以模拟超声图像作为训练集进行预训练,得到初始分割模型,所述模拟超声图像是根据电子计算机断层扫描CT图像合成的超声图像;
采用迁移学习的方法,以样本超声图像作为训练集,继续对所述初始分割模型进行训练,得到所述图像分割模型,所述样本超声图像是预采集的作为训练样本的超声图像。
2.如权利要求1所述的方法,其特征在于,所述模拟超声图像通过以下方式合成:
获取预采集的CT数据集;
对所述CT数据集进行预处理操作,得到目标CT图像;
将所述目标CT图像输入预训练的循环生成对抗网络,以合成所述模拟超声图像。
3.如权利要求2所述的方法,其特征在于,所述CT数据集包含三维体数据格式的CT图像,所述对所述CT数据集进行预处理操作,得到目标CT图像,包括:
调整所述CT数据集包含的CT图像的窗位和窗宽;
将所述CT数据集包含的CT图像从三维体数据分别沿着各个指定方向执行切片处理,得到多张二维的切片CT图像;
从所述多张二维的切片CT图像中分别提取感兴趣区域的图像,作为所述目标CT图像。
4.如权利要求3所述的方法,其特征在于,所述CT数据集包含的CT图像带有预设的标签,所述标签标记出CT图像中指定目标物的轮廓,在得到多张二维的切片CT图像之后,还包括:
将所述多张二维的切片CT图像中包含的所述指定目标物的轮廓的尺寸小于设定阈值的切片CT图像删除;
所述从所述多张二维的切片CT图像中分别提取感兴趣区域的图像,包括:
针对所述多张二维的切片CT图像中的每张CT图像,根据该CT图像包含的所述指定目标物的轮廓计算得到所述指定目标物在该CT图像中的质心位置,并以所述质心位置为中心,从该CT图像中框选出指定大小的图像区域,作为从该CT图像中提取出的感兴趣区域的图像。
5.如权利要求2至4中任一项所述的方法,其特征在于,所述循环生成对抗网络通过以下方式训练获得:
在所述循环生成对抗网络的前向循环和后向循环中,根据循环的初始图像和重建得到的图像计算得到所述循环生成对抗网络的循环一致性损失函数,其中,所述前向循环为将CT图像合成为模拟超声图像再重建为CT图像的过程,所述后向循环为将超声图像合成为模拟CT图像再重建为超声图像的过程,所述循环的初始图像包括所述前向循环中初始的CT图像以及所述后向循环中初始的超声图像,所述重建得到的图像包括所述前向循环中重建得到的CT图像以及所述后向循环中重建得到的超声图像;
根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的对抗损失函数;
根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数;
基于所述目标损失函数完成所述循环生成对抗网络的训练。
6.如权利要求5所述的方法,其特征在于,还包括:
根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,所述形状一致性损失函数用于衡量所述循环生成对抗网络的输入图像包含的指定目标物的轮廓形状和输出图像包含的所述指定目标物的轮廓形状之间的差异程度;
所述根据所述循环一致性损失函数和所述对抗损失函数确定目标损失函数,具体为:
根据所述循环一致性损失函数、所述对抗损失函数和所述形状一致性损失函数确定所述目标损失函数。
7.如权利要求6所述的方法,其特征在于,所述根据所述循环的初始图像和所述重建得到的图像计算得到所述循环生成对抗网络的形状一致性损失函数,包括:
根据以下公式计算得到所述循环生成对抗网络的形状一致性损失函数:
其中,Lshape(G,F,SX,SY)表示所述形状一致性损失函数,G和F为所述循环生成对抗网络在同一个方向的循环中的两个生成器,x表示所述循环的初始图像,y表示所述重建得到的图像,X表示所述循环的初始图像的图像域,Y表示所述重建得到的图像的图像域,tX表示所述循环的初始图像中包含的所述指定目标物的轮廓形状,tY表示所述重建得到的图像中包含的所述指定目标物的轮廓形状,F(x)表示将图像x输入生成器F后得到的输出图像,G(y)表示将图像y输入生成器G后得到的输出图像,SX和SY是两个辅助映射关系,用于将图像域X和图像域Y的图像映射到同一个形状空间,E表示求数学期望,对应的下标x~Pdata(x)是指图像x的概率分布,对应的下标y~Pdata(y)是指图像y的概率分布。
8.一种超声图像的分割装置,其特征在于,包括:
超声图像获取模块,用于获取待分割超声图像;
图像分割模块,用于将所述待分割超声图像输入已训练的图像分割模型,得到所述待分割超声图像的图像分割结果;
第一模型训练模块,用于以模拟超声图像作为训练集进行预训练,得到初始分割模型,所述模拟超声图像是根据电子计算机断层扫描CT图像合成的超声图像;
第二模型训练模块,用于采用迁移学习的方法,以样本超声图像作为训练集,继续对所述初始分割模型进行训练,得到所述图像分割模型,所述样本超声图像是预采集的作为训练样本的超声图像。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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至7中任一项所述的超声图像的分割方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的超声图像的分割方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374019.2A CN113112559A (zh) | 2021-04-07 | 2021-04-07 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
PCT/CN2021/138011 WO2022213654A1 (zh) | 2021-04-07 | 2021-12-14 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
US18/366,706 US20230386048A1 (en) | 2021-04-07 | 2023-08-08 | Ultrasound image segmentation method and apparatus, terminal device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374019.2A CN113112559A (zh) | 2021-04-07 | 2021-04-07 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112559A true CN113112559A (zh) | 2021-07-13 |
Family
ID=76715252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110374019.2A Pending CN113112559A (zh) | 2021-04-07 | 2021-04-07 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230386048A1 (zh) |
CN (1) | CN113112559A (zh) |
WO (1) | WO2022213654A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450345A (zh) * | 2021-07-19 | 2021-09-28 | 西门子数字医疗科技(上海)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN114240950A (zh) * | 2021-11-23 | 2022-03-25 | 电子科技大学 | 一种基于深度神经网络的脑部肿瘤图像生成和分割方法 |
WO2022213654A1 (zh) * | 2021-04-07 | 2022-10-13 | 中国科学院深圳先进技术研究院 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
CN115797611A (zh) * | 2023-02-10 | 2023-03-14 | 真健康(北京)医疗科技有限公司 | 三维医学图像模态转换模型训练方法及设备 |
WO2023173827A1 (zh) * | 2022-03-15 | 2023-09-21 | 腾讯科技(深圳)有限公司 | 图像生成方法、装置、设备、存储介质及计算机程序产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及系统 |
US20190261945A1 (en) * | 2018-02-26 | 2019-08-29 | Siemens Medical Solutions Usa, Inc. | Three-Dimensional Segmentation from Two-Dimensional Intracardiac Echocardiography Imaging |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
WO2020039121A1 (en) * | 2018-08-20 | 2020-02-27 | Aalto University Foundation Sr. | Method and system for generating annotated training data |
CN111915626A (zh) * | 2020-08-14 | 2020-11-10 | 大连东软教育科技集团有限公司 | 心脏超声图像的心室区域自动分割方法、装置及存储介质 |
US20210042575A1 (en) * | 2019-08-08 | 2021-02-11 | Nvidia Corporation | Domain Restriction of Neural Networks Through Synthetic Data Pre-Training |
US20210081698A1 (en) * | 2018-02-09 | 2021-03-18 | Nano Techgalaxy, Inc. D/B/A Galaxy.Ai | Systems and methods for physical object analysis |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110010229B (zh) * | 2019-04-09 | 2020-06-02 | 西南石油大学 | 一种基于生成对抗网络的超声影像模拟方法 |
US11651487B2 (en) * | 2019-07-12 | 2023-05-16 | The Regents Of The University Of California | Fully automated four-chamber segmentation of echocardiograms |
CN111260741B (zh) * | 2020-02-07 | 2022-05-10 | 北京理工大学 | 一种利用生成对抗网络的三维超声模拟方法及装置 |
CN113012041B (zh) * | 2021-04-06 | 2023-12-12 | 重庆大学 | 一种ct/mri模拟超声的新方法、系统 |
CN113112559A (zh) * | 2021-04-07 | 2021-07-13 | 中国科学院深圳先进技术研究院 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
-
2021
- 2021-04-07 CN CN202110374019.2A patent/CN113112559A/zh active Pending
- 2021-12-14 WO PCT/CN2021/138011 patent/WO2022213654A1/zh active Application Filing
-
2023
- 2023-08-08 US US18/366,706 patent/US20230386048A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210081698A1 (en) * | 2018-02-09 | 2021-03-18 | Nano Techgalaxy, Inc. D/B/A Galaxy.Ai | Systems and methods for physical object analysis |
US20190261945A1 (en) * | 2018-02-26 | 2019-08-29 | Siemens Medical Solutions Usa, Inc. | Three-Dimensional Segmentation from Two-Dimensional Intracardiac Echocardiography Imaging |
WO2020039121A1 (en) * | 2018-08-20 | 2020-02-27 | Aalto University Foundation Sr. | Method and system for generating annotated training data |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及系统 |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
US20210042575A1 (en) * | 2019-08-08 | 2021-02-11 | Nvidia Corporation | Domain Restriction of Neural Networks Through Synthetic Data Pre-Training |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN111915626A (zh) * | 2020-08-14 | 2020-11-10 | 大连东软教育科技集团有限公司 | 心脏超声图像的心室区域自动分割方法、装置及存储介质 |
Non-Patent Citations (4)
Title |
---|
JENNIFER P. KIESELMANN ET AL: "Cross-modality deep learning: Contouring of MRI data from annotated CT data only", 《MEDICAL PHYSICS》, 14 December 2020 (2020-12-14), pages 1673 - 1677 * |
ZIZHAO ZHANG ET AL: "Translating and Segmenting Multimodal Medical Volumes with Cycle- and Shape-Consistency Generative Adversarial Network", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 17 December 2018 (2018-12-17), pages 1 - 6 * |
曹宇等: "基于改进的VGG-16卷积神经网络的肺结节检测", 《中国医学物理学杂志》, 20 July 2020 (2020-07-20), pages 940 - 941 * |
贡荣麟等: "面向乳腺超声图像分割的混合监督双通道反馈U-Net", 《中国图象图形学报》, no. 10, 16 October 2020 (2020-10-16), pages 2208 - 2212 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022213654A1 (zh) * | 2021-04-07 | 2022-10-13 | 中国科学院深圳先进技术研究院 | 一种超声图像的分割方法、装置、终端设备和存储介质 |
CN113450345A (zh) * | 2021-07-19 | 2021-09-28 | 西门子数字医疗科技(上海)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN114240950A (zh) * | 2021-11-23 | 2022-03-25 | 电子科技大学 | 一种基于深度神经网络的脑部肿瘤图像生成和分割方法 |
CN114240950B (zh) * | 2021-11-23 | 2023-04-07 | 电子科技大学 | 一种基于深度神经网络的脑部肿瘤图像生成和分割方法 |
WO2023173827A1 (zh) * | 2022-03-15 | 2023-09-21 | 腾讯科技(深圳)有限公司 | 图像生成方法、装置、设备、存储介质及计算机程序产品 |
CN115797611A (zh) * | 2023-02-10 | 2023-03-14 | 真健康(北京)医疗科技有限公司 | 三维医学图像模态转换模型训练方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022213654A1 (zh) | 2022-10-13 |
US20230386048A1 (en) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Synthesizing diverse lung nodules wherever massively: 3D multi-conditional GAN-based CT image augmentation for object detection | |
EP3511942B1 (en) | Cross-domain image analysis using deep image-to-image networks and adversarial networks | |
US10964071B2 (en) | Systems and methods for data and model-driven image reconstruction and enhancement | |
CN113112559A (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN108197629B (zh) | 一种基于标签相关性约束张量分解的多模态医学影像特征提取方法 | |
Cerrolaza et al. | 3d fetal skull reconstruction from 2dus via deep conditional generative networks | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
CN113034507A (zh) | 基于ccta影像的冠状动脉三维分割方法 | |
Tiago et al. | A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN | |
Qiao et al. | A pseudo-siamese feature fusion generative adversarial network for synthesizing high-quality fetal four-chamber views | |
Pradhan et al. | Machine learning model for multi-view visualization of medical images | |
CN116797612B (zh) | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 | |
Tang et al. | MMMNA-net for overall survival time prediction of brain tumor patients | |
Iddrisu et al. | 3D reconstructions of brain from MRI scans using neural radiance fields | |
CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 | |
WO2022163513A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
CA2854992A1 (en) | Process and apparatus for data registration | |
US11804020B2 (en) | Systems and methods for rendering models based on medical imaging data | |
Liu et al. | Multi-stream progressive up-sampling network for dense CT image reconstruction | |
CN115115772A (zh) | 基于三维影像的关键结构重建方法、装置和计算机设备 | |
CN114419375A (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
CN113643317B (zh) | 基于深度几何演化模型的冠状动脉分割方法 | |
Peng et al. | 2D brain MRI image synthesis based on lightweight denoising diffusion probabilistic model | |
El-Shafai et al. | Deep learning-based hair removal for improved diagnostics of skin diseases | |
Guo et al. | Confidence-guided lesion mask-based simultaneous synthesis of anatomic and molecular mr images in patients with post-treatment malignant gliomas |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |
|
RJ01 | Rejection of invention patent application after publication |