CN113269764A - 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法 - Google Patents

颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法 Download PDF

Info

Publication number
CN113269764A
CN113269764A CN202110623683.6A CN202110623683A CN113269764A CN 113269764 A CN113269764 A CN 113269764A CN 202110623683 A CN202110623683 A CN 202110623683A CN 113269764 A CN113269764 A CN 113269764A
Authority
CN
China
Prior art keywords
segmentation
training
intracranial aneurysm
sample
intracranial
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
Application number
CN202110623683.6A
Other languages
English (en)
Inventor
王翊
王光宪
张勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Banan Peoples Hospital of Chongqing
Original Assignee
Chongqing University
Banan Peoples Hospital of Chongqing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University, Banan Peoples Hospital of Chongqing filed Critical Chongqing University
Priority to CN202110623683.6A priority Critical patent/CN113269764A/zh
Publication of CN113269764A publication Critical patent/CN113269764A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T7/194—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
    • G06T2207/10—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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法。其包括一种颅内动脉瘤自动分割模型构建方法：采集颅内动脉瘤CTA样本；搭建网络；将颅内动脉瘤CTA样本划分为多个体数据块，将其作为训练样本于所述网络中进行粗分割训练，提取到感兴趣区域；将提取到的感兴趣区域划分为多个体数据块，作为训练样本于另一网络中进行精分割训练，粗分割和精分割的网络可以相同也可以不同，分割出颅内动脉瘤；训练过程中增加小于规定大小的颅内动脉瘤的体数据块的迭代次数；对训练后的卷积神经网络模型进行验证。该构建方法解决了颅内动脉瘤分割任务中存在的样本不平衡、过分割、小颅内动脉瘤漏分以及分割边缘分割精度差等问题。

Description

颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法
技术领域
本发明涉及图像分割领域，具体涉及一种颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法。
背景技术
在图像分割领域，由于病灶的大小不一，背景情况复杂，对病灶的分割存在一定难度，特别如对颅内动脉瘤的分割。
颅内动脉瘤(intracranial aneurysms,IAs)是最常见的引发致残和致死的颅内血管疾病之一。IAs准确、快速的分割在临床应用中具有重要的意义，特别是对于急性IAs破裂出血的患者的治疗。目前IAs的分割主要依赖于人工对医学图像的逐帧勾勒，这种人工标注对从业人员的专业技能要求很高，整个的勾勒过程费时费力，且容易受到内在和外在因素的影响。此外近年来随着需要分析的数据大量增加，基于人工的IAs分割越来越难以满足临床的需求，临床亟需一种快速、准确、敏感性高的IAs分割方法。
传统方法例如水平集、阈值分割等在一定程度上能实现IAs的自动或者半自动分割，但是这些方法的特征提取能力弱，无法充分的利用医学图像的信息，分割的效果很难满足临床的需求。目前基于深度学习的方法广泛的应用于医学图像分割中，已经在很多医学任务中取得了突破性的进展，但是将深度学习应用于IAs还处于初步的探索阶段。与其他分割任务相比，如肝脏分割、胰腺分割等，IAs的准确分割难度更大。IAs分割任务面临严重的前景-背景不平衡，如图1所示，IAs只占据整个医学图像很小一部分(<0.05‰)，过多的背景会严重干扰网络对IAs本身特征的提取，降低的分割的精度，更严重者会直接导致网络失效，完全无法识别IAs。且IAs形态多变，和周围的血管在影像学特征上很相似，这在一定程度上干扰了模型对IAs的准确分割。
采用2D CNN的方法进行IAs的分割，可以有效的分割出明显的、体积大的IAs,但是对于一些小的IAs(<5mm)存在很严重的漏检现象，此外利用2D CNN进行动脉瘤的分割会出现严重的过分割，即将部分动脉也分割为动脉瘤，且分割边缘精度较差，三维轮廓不平滑，难以满足临床评估的需求。利用多角度的2D CNN分别从DICOM图像的矢状位、冠状位和横断位进行IAs分割可以在一定程度上减少IAs过分割的现象，但是在整体的分割精度上，特别是边缘的分割精度上、以及对于小IAs的分割上仍存在问题，这主要是由于2D CNN在空间特征提取能力上的不足。3D CNN以体数据块作为网络的输入，能很好地利用医学图像的空间特征信息提高网络的分割结果。但是直接对整个颅内图像采用3D CNN网络进行训练，硬件上需要大显存GPU，算法上由于样本不平衡问题很难收敛。
发明内容
为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种样本处理方法、卷积神经网络模型训练方法、样本平衡方法、适用于小颅内动脉瘤分割的训练方法及颅内动脉瘤自动分割模型构建方法。
为了实现本发明的上述目的，本发明提供了一种样本处理方法，根据标签信息统计病灶的体积，以病灶体积的众数信息作为基准来设置滑动窗口的窗宽；采用所述滑动窗口将样本划分为多个体数据块，相邻的体数据块存在重叠区域，将划分得到的体数据块作为训练样本。这样处理能在很大程度上避免大的病灶对体数据块的干扰，提升病灶在正样本中的像素占比，提高网络对病灶的特征提取能力。
本申请还提出了一种卷积神经网络模型训练方法，在网络中对训练样本先进行粗分割，从原始医学图像中提取到感兴趣区域，根据粗分割结果完成对病灶的定位；然后将粗分割提取到的感兴趣区域作为另一网络的输入，进行模型的训练。
通过粗分割能有效地缓解前景-背景不平衡，提高分割的精度，通过精分割能获得更加精细的分割结果。
本申请还提出了一种样本平衡方法，在训练过程中，每隔x个epoch中随机的选择正样本数目k倍的负样本进行模型的训练，同时在训练过程中对正样本进行增强。这能更加有效地对样本进行正样本增强。
本申请还提出了一种适用于小颅内动脉瘤分割的训练方法，在训练过程中根据标注信息增加小于规定大小的颅内动脉瘤的体数据块的迭代次数，训练过程中构建加权dice系数作为网络的损失函数。
该训练方法通过增强小颅内动脉瘤体数据块的迭代次数，提高模型对小颅内动脉瘤的特征提取能力；构建加权dice损失函数提高了小颅内动脉瘤在网络优化中的贡献。
本申请还提出了一种颅内动脉瘤自动分割模型构建方法，包括如下步骤：
采集颅内动脉瘤CTA样本，将颅内动脉瘤CTA样本划分为训练集、验证集和测试集；
搭建3D CNN网络；
根据权利要求1或2所述的样本处理方法将颅内动脉瘤CTA样本划分为多个体数据块，将其作为训练样本于所述3D CNN网络中进行粗分割训练，从原始医学图像中提取到感兴趣区域，根据粗分割结果完成对病灶的定位；
根据上述的样本处理方法将粗分割提取到的感兴趣区域划分为多个体数据块，将其作为训练样本于另一3D CNN网络中进行精分割训练，分割出颅内动脉瘤；
训练过程中，根据上述的样本平衡方法进行样本处理，根据上述的适用于小颅内动脉瘤分割的训练方法进行训练；
对训练后的卷积神经网络模型进行验证。
该颅内动脉瘤自动分割模型构建方法解决了颅内动脉瘤分割任务中存在的样本不平衡、过分割、小颅内动脉瘤漏分以及分割边缘分割精度差等问题，提高了颅内动脉瘤的整体分割效果。
优选的，所有小于规定大小的颅内动脉瘤的体数据块的迭代完一次记为mini-epoch；全部颅内动脉瘤体数据块迭代完一次记为main-epoch，在粗分割和精分割过程中均进行mini-epoch和main-epoch的交替训练。提高对小颅内动脉瘤的训练，以增强该颅内动脉瘤自动分割模型对小颅内动脉瘤的分割能力。
本申请还提出了一种颅内动脉瘤自动分割方法，将待分割颅内动脉瘤CTA图像于上述所构建的颅内动脉瘤自动分割模型中进行自动分割出颅内动脉瘤。该颅内动脉瘤自动分割方法解决了颅内动脉瘤分割任务中存在的样本不平衡、过分割、小颅内动脉瘤漏分以及分割边缘分割精度差等问题，提高了颅内动脉瘤的整体分割效果。
本申请还提出了一种颅内动脉瘤自动分割模型构建系统，包括处理器和存储器，所述处理器和存储器之间通信连接，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的颅内动脉瘤自动分割模型构建方法对应的操作。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是适用于小颅内动脉瘤分割的训练示意图；
图2是颅内动脉瘤自动分割模型构建示意图；
图3是颅内动脉瘤自动分割模型训练过程中粗分割、精分割示意图；
图4是颅内动脉瘤自动分割效果图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了一种样本处理方法，首先根据标签信息统计病灶的体积，以病灶体积的众数信息作为基准来设置滑动窗口的窗宽；采用所述滑动窗口将样本划分为多个体数据块，相邻的体数据块存在重叠区域，将划分得到的体数据块作为训练样本。
所述滑动窗口的窗宽为
Figure BDA0003101173840000061
其中a是常数，w,h,d分别为病灶众数信息在矢状面、冠状面和横断面尺寸的众数信息。
本实施例中优选地设置的滑动窗口的窗宽是众数信息的1.5倍，即a为1.5，例如通过众数信息获取的体数据块大小为32×32×32，那么在实际的操作训练过程中滑动窗口的窗宽为48×48×48。这样处理能在很大程度上避免大的病灶对体数据块的干扰，提升病灶在正样本中的像素占比，提高网络对病灶的特征提取能力。
本申请还提出了一种卷积神经网络模型训练方法的实施例，具体为：在网络中对训练样本先进行粗分割，从原始医学图像中提取到感兴趣区域，根据粗分割结果完成对病灶的定位，这样处理能有效地缓解前景-背景不平衡提高分割的精度；然后将粗分割提取到的感兴趣区域作为另一网络的输入，进行模型的训练。这里的粗分割和精分割的网络可以相同也可以不同。
本申请还提出了一种样本平衡方法的实施例，在训练过程中对负样本进行动态的欠采样，同时对正样本进行动态的增强。具体为：在训练过程中，每隔x个epoch中随机的选择正样本数目k倍的负样本进行模型的训练，同时在训练过程中对正样本进行增强。x为正整数，k为正数。
具体地，首先根据正样本的数目来确定负样本。假如训练集中共有m个训练样本，其中正样本n个，负样本m-n个，设定在训练过程中，正负样本的比例为1:k，则在训练过程选择的负样本为k×n。为了更好的利用样本的信息同时也为了避免过多负样本对模型的干扰，在训练过程中每隔3个epoch进行一次负样本的筛选，即x＝3。同时为了进一步的提高正样本的贡献，在训练过程中可采用高斯噪声增强、背景区域随机剪裁、mix-up等方式进行正样本的增强。这样通过微调样本的分布能更加有效地对样本进行正样本进行增强。
本申请还提出了一种适用于小颅内动脉瘤分割的训练方法，如图1所示，在训练过程中根据标注信息增加小于规定大小的颅内动脉瘤体数据块的迭代次数，训练过程中构建加权dice系数作为网络的损失函数。一般将<5mm的颅内动脉瘤称之为小颅内动脉瘤，因此这里的规定大小通常设置为5mm。
加权dice系数为
Figure BDA0003101173840000071
其中y和
Figure BDA0003101173840000072
分别表示标注结果和预测结果，c是常数。优选的，
Figure BDA0003101173840000073
其中n表示的医学图像的数量，yi表示第i个样本的标注结果。
本申请还提出了一种颅内动脉瘤自动分割模型构建方法，包括如下步骤：
采集颅内动脉瘤CTA样本，将颅内动脉瘤CTA样本划分为训练集、验证集和测试集。
本实施例中，收集公开的颅内动脉瘤CTA数据109套，层厚1mm，大小为220×256×256。随机选取90套作为训练集，9套作为验证集，10套作为测试集。
对原始颅内动脉瘤CTA样本数据进行预处理，将HU值规范到[1900,2500]，然后再统一到[0,1]。
搭建3D CNN网络。
本实施例中，利用TensorFlow学习库进行3D CNN网络搭建，分割网络采用经典Encoder-Decoder模式。Encoder模块采用卷积块和残差块的堆叠进行特征提取，利用步长为2的平均池化操作来降低特征的空间分辨率；Decoder模块利用转置卷积将Encoder模块提取的富含语义信息的特征图谱逐渐恢复到原始图像大小，并对图像中的每一个像素进行分类。在模型中有2个辅助损失层和一个主损失层。在Encoder和Decoder之间，利用卷积块来进行底层信息与高层信息进行融合，以增强边缘的分割效果。
如图2和图3所示，根据上述样本处理方法将颅内动脉瘤CTA样本划分为多个体数据块，将其作为训练样本于3D CNN网络中进行粗分割训练，对颅内动脉瘤进行粗分割，从原始医学图像中提取感兴趣区域，根据粗分割结果完成对病灶的定位，得到粗分割模型M:
Figure BDA0003101173840000081
其中Θ表示网络参数，
Figure BDA0003101173840000082
表示预测结果。通过感兴趣区域的选择能有效地去除大量的背景区域，缓解颅内动脉瘤分割过程中面临的样本不平衡问题，提高网络的分割效果。
根据上述样本处理方法将粗分割提取到的感兴趣区域划分为多个体数据块，将其作为训练样本于另一3D CNN网络中进行精分割训练，得到精分割模型M:
Figure BDA0003101173840000083
其中Θ表示网络参数，
Figure BDA0003101173840000084
表示预测结果。
在训练过程中，所有小于规定大小的颅内动脉瘤体数据块迭代完一次记为mini-epoch；全部颅内动脉瘤体数据块迭代完一次记为main-epoch，在粗分割和精分割过程中均进行mini-epoch和main-epoch的交替训练。本实施例中，小于规定大小的颅内动脉瘤为小于5mm的颅内动脉瘤。
粗分割和精分割阶段的网络结构可以一样也可以不同，在本实施例中采用相同的网络结构。
训练过程中，根据上述适用于小颅内动脉瘤分割的训练方法进行训练；模型训练过程中采用Adam优化器，利用加权dice系数作为网络的损失函数。总损失函数为
Figure BDA0003101173840000091
其中
Figure BDA0003101173840000092
Figure BDA0003101173840000093
分别代表主损失函数和2个辅助损失函数，β1、β2表示权重，在本案例中β1、β2分别设置为0.8，0.6。
初始学习速率设置为1×10-4，训练过程中根据公式
Figure BDA0003101173840000094
逐渐降低学习速率；使用早停机制终止模型训练，忍受范围设置为5个epoch，batch大小设置为6。
采用三维连通域对分割结果进行处理，去除可能存在的噪点，进一步提高分割的效果。
对训练后的卷积神经网络模型进行验证。
利用dice系数评估模型的分割效果，具体结果见表1。
表1
Method Mean DSC Max DSC Min DSC
对照试验 80.71％±5.31％ 92.35％ 0
粗分割结果 88.71％±5.31％ 94.18％ 80.26％
精分割结果 90.25％±3.41％ 95.83％ 86.72％
对照实验，不采用本发明提供的样本处理方法以及训练方法，从表1中可以看出，通过本发明提供的动脉瘤自动分割方法能有效的提高颅内动脉瘤的分割效果，分割效果见图4。此外我们分析发现，对照试验分割差的原因主要有以下几个方面：1)存在小IAs漏分现象；2)错误的将一些血管分割成动脉瘤。
本申请还提出了一种颅内动脉瘤自动分割方法，将待分割颅内动脉瘤CTA样本于上述所构建的颅内动脉瘤自动分割模型中进行自动分割出颅内动脉瘤。
本申请还提出了一种颅内动脉瘤自动分割模型构建系统，包括处理器和存储器，所述处理器和存储器之间通信连接，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的颅内动脉瘤自动分割模型构建方法对应的操作。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (12)

1.一种样本处理方法，其特征在于，根据标签信息统计病灶的体积，以病灶体积的众数信息作为基准来设置滑动窗口的窗宽；采用所述滑动窗口将样本划分为多个体数据块，相邻的体数据块存在重叠区域，将划分得到的体数据块作为训练样本。
2.根据权利要求1所述的样本处理方法，其特征在于：所述滑动窗口的窗宽为
Figure FDA0003101173830000011
其中a是常数，w,h,d分别为病灶在矢状面、冠状面和横断面尺寸的众数信息。
3.一种卷积神经网络模型训练方法，其特征在于，在网络中对训练样本先进行粗分割，从原始医学图像中提取感兴趣区域，根据粗分割结果完成对病灶的定位；然后将粗分割提取的感兴趣区域作为另一网络的输入，进行精分割模型的训练。
4.一种样本平衡方法，其特征在于，在训练过程中，每隔x个epoch中随机选择正样本数目k倍的负样本进行模型的训练，同时在训练过程中对正样本进行增强。
5.一种适用于小颅内动脉瘤分割的训练方法，其特征在于：在训练过程中根据标注信息增加小于规定大小的颅内动脉瘤的体数据块的迭代次数，训练过程中构建加权dice系数作为网络的损失函数。
6.根据权利要求5所述的适用于小颅内动脉瘤分割的训练方法，其特征在于：加权dice系数为
Figure FDA0003101173830000021
其中y和
Figure FDA0003101173830000022
分别表示标注结果和预测结果，c是常数。
7.根据权利要求6所述的适用于小颅内动脉瘤分割的训练方法，其特征在于：
Figure FDA0003101173830000023
其中n表示的医学图像的数量，yi表示第i个样本的标注结果。
8.一种颅内动脉瘤自动分割模型构建方法，其特征在于：包括如下步骤：
采集颅内动脉瘤CTA样本，将颅内动脉瘤CTA样本划分为训练集、验证集和测试集；
搭建3D CNN网络；
根据权利要求1或2所述的样本处理方法将颅内动脉瘤CTA样本划分为多个体数据块，将其作为训练样本于所述3D CNN网络中进行粗分割训练，从原始医学图像中提取到感兴趣区域，根据粗分割结果完成对病灶的定位；
根据权利要求1或2所述的样本处理方法将粗分割提取到的感兴趣区域划分为多个体数据块，将其作为训练样本于另一3D CNN网络中进行精分割训练，分割出颅内动脉瘤；
训练过程中，根据权利要求4所述的样本平衡方法进行样本处理，根据权利要求5-7任一项所述的适用于小颅内动脉瘤分割的训练方法进行训练；
对训练后的卷积神经网络模型进行验证。
9.根据权利要求8所述的颅内动脉瘤自动分割模型构建方法，其特征在于：所有小于规定大小的颅内动脉瘤的体数据块的迭代完一次记为mini-epoch；全部颅内动脉瘤体数据块迭代完一次记为main-epoch，在粗分割和精分割过程中均进行mini-epoch和main-epoch的交替训练。
10.根据权利要求8所述的颅内动脉瘤自动分割模型构建方法，其特征在于：所述3DCNN卷积神经网络模型采用Encoder-Decoder模式，Encoder模块采用卷积块和残差块的堆叠进行特征提取；Decoder模块利用转置卷积将Encoder模块提取的富含语义信息的特征图谱恢复到原始图像大小，并对图像中的每一个像素进行分类；
在模型中有2个辅助损失层和一个主损失层，在Encoder和Decoder之间利用卷积块来进行底层信息与高层信息的融合。
11.一种颅内动脉瘤自动分割方法，其特征在于，将待分割颅内动脉瘤CT A图像于所述权利要求8-10任一项所构建的颅内动脉瘤自动分割模型中进行自动分割出颅内动脉瘤。
12.一种颅内动脉瘤自动分割模型构建系统，其特征在于，包括处理器和存储器，所述处理器和存储器之间通信连接，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求8-10任一项所述的颅内动脉瘤自动分割模型构建方法对应的操作。
CN202110623683.6A 2021-06-04 2021-06-04 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法 Pending CN113269764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110623683.6A CN113269764A (zh) 2021-06-04 2021-06-04 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110623683.6A CN113269764A (zh) 2021-06-04 2021-06-04 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法

Publications (1)

Publication Number Publication Date
CN113269764A true CN113269764A (zh) 2021-08-17

Family

ID=77234182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110623683.6A Pending CN113269764A (zh) 2021-06-04 2021-06-04 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法

Country Status (1)

Country Link
CN (1) CN113269764A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953393A (zh) * 2023-03-10 2023-04-11 济南市人民医院 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质
CN116912214A (zh) * 2023-07-19 2023-10-20 首都医科大学宣武医院 用于对动脉瘤检测图像进行分割的方法、设备及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610129A (zh) * 2017-08-14 2018-01-19 四川大学 一种基于cnn的多模态鼻咽部肿瘤联合分割方法
CN108629784A (zh) * 2018-05-08 2018-10-09 上海嘉奥信息科技发展有限公司 一种基于深度学习的ct图像颅内血管分割方法及系统
CN109242860A (zh) * 2018-08-21 2019-01-18 电子科技大学 基于深度学习及权重空间集成的脑肿瘤图像分割方法
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
CN109509177A (zh) * 2018-10-22 2019-03-22 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN110084823A (zh) * 2019-04-18 2019-08-02 天津大学 基于级联各向异性fcnn的三维脑肿瘤图像分割方法
CN110111296A (zh) * 2019-01-30 2019-08-09 北京慧脑云计算有限公司 深度学习的新发皮层下小梗死病灶自动分割系统及其方法
CN110211130A (zh) * 2019-05-20 2019-09-06 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和存储介质
CN110853048A (zh) * 2019-10-14 2020-02-28 北京缙铖医疗科技有限公司 基于粗、精训练的mri图像分割方法、装置和存储介质
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN111340828A (zh) * 2020-01-10 2020-06-26 南京航空航天大学 基于级联卷积神经网络的脑部胶质瘤分割
CN111445478A (zh) * 2020-03-18 2020-07-24 吉林大学 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
CN111666997A (zh) * 2020-06-01 2020-09-15 安徽紫薇帝星数字科技有限公司 一种样本平衡方法及目标器官分割模型构建方法
CN111951276A (zh) * 2020-07-28 2020-11-17 上海联影智能医疗科技有限公司 图像分割方法、装置、计算机设备和存储介质
CN112529834A (zh) * 2019-09-19 2021-03-19 西门子医疗有限公司 病理图像模式在3d图像数据中的空间分布
CN112634192A (zh) * 2020-09-22 2021-04-09 广东工业大学 一种结合小波变换的级联U-N Net脑肿瘤分割方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610129A (zh) * 2017-08-14 2018-01-19 四川大学 一种基于cnn的多模态鼻咽部肿瘤联合分割方法
CN108629784A (zh) * 2018-05-08 2018-10-09 上海嘉奥信息科技发展有限公司 一种基于深度学习的ct图像颅内血管分割方法及系统
CN109242860A (zh) * 2018-08-21 2019-01-18 电子科技大学 基于深度学习及权重空间集成的脑肿瘤图像分割方法
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
CN109509177A (zh) * 2018-10-22 2019-03-22 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN110111296A (zh) * 2019-01-30 2019-08-09 北京慧脑云计算有限公司 深度学习的新发皮层下小梗死病灶自动分割系统及其方法
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN110084823A (zh) * 2019-04-18 2019-08-02 天津大学 基于级联各向异性fcnn的三维脑肿瘤图像分割方法
CN110211130A (zh) * 2019-05-20 2019-09-06 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和存储介质
CN112529834A (zh) * 2019-09-19 2021-03-19 西门子医疗有限公司 病理图像模式在3d图像数据中的空间分布
CN110853048A (zh) * 2019-10-14 2020-02-28 北京缙铖医疗科技有限公司 基于粗、精训练的mri图像分割方法、装置和存储介质
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN111340828A (zh) * 2020-01-10 2020-06-26 南京航空航天大学 基于级联卷积神经网络的脑部胶质瘤分割
CN111445478A (zh) * 2020-03-18 2020-07-24 吉林大学 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
CN111666997A (zh) * 2020-06-01 2020-09-15 安徽紫薇帝星数字科技有限公司 一种样本平衡方法及目标器官分割模型构建方法
CN111951276A (zh) * 2020-07-28 2020-11-17 上海联影智能医疗科技有限公司 图像分割方法、装置、计算机设备和存储介质
CN112634192A (zh) * 2020-09-22 2021-04-09 广东工业大学 一种结合小波变换的级联U-N Net脑肿瘤分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金凯成等: ""基于三维感兴趣区域和模糊聚类的肝脏肿瘤分割"", 《计算机与现代化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953393A (zh) * 2023-03-10 2023-04-11 济南市人民医院 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质
CN116912214A (zh) * 2023-07-19 2023-10-20 首都医科大学宣武医院 用于对动脉瘤检测图像进行分割的方法、设备及存储介质
CN116912214B (zh) * 2023-07-19 2024-03-22 首都医科大学宣武医院 用于对动脉瘤检测图像进行分割的方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111402268B (zh) 一种医学图像中肝脏及其病灶分割的方法
CN110992382B (zh) 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统
CN112927240B (zh) 一种基于改进的AU-Net网络的CT图像分割方法
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
CN111882560B (zh) 一种基于加权全卷积神经网络的肺实质ct图像分割方法
CN113808146B (zh) 一种医学图像多器官分割方法及系统
CN109191472A (zh) 基于改进U-Net网络的胸腺细胞图像分割方法
CN102324109A (zh) 基于模糊隶属度模型的非实质性肺结节三维分割方法
CN115661144A (zh) 基于可变形U-Net的自适应医学图像分割方法
CN111612817A (zh) 基于深浅特征自适应融合与上下文信息的目标跟踪方法
CN110738637B (zh) 一种乳腺癌病理切片的自动分类系统
CN113269764A (zh) 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法
CN112241948A (zh) 一种自适应层厚的肺结节检测分析方法及系统
CN112862830A (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN107169975B (zh) 超声图像的分析方法及装置
CN112132827A (zh) 病理图像的处理方法、装置、电子设备及可读存储介质
CN112288749A (zh) 一种基于深度迭代融合深度学习模型的颅骨图像分割方法
CN113269799A (zh) 一种基于深度学习的宫颈细胞分割方法
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN114842030A (zh) 一种多尺度语义匹配的膀胱肿瘤图像分割方法
CN110992309A (zh) 基于深层信息传递网络的眼底图像分割方法
CN111667488B (zh) 一种基于多角度U-Net的医学图像分割方法
CN117495882A (zh) 一种基于AGCH-Net和多尺度融合的肝脏肿瘤CT图像分割方法
CN116883341A (zh) 一种基于深度学习的肝脏肿瘤ct图像自动分割方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210817