CN113284151A - 一种基于深度卷积神经网络的胰腺分割方法及系统 - Google Patents
一种基于深度卷积神经网络的胰腺分割方法及系统 Download PDFInfo
- Publication number
- CN113284151A CN113284151A CN202110631496.2A CN202110631496A CN113284151A CN 113284151 A CN113284151 A CN 113284151A CN 202110631496 A CN202110631496 A CN 202110631496A CN 113284151 A CN113284151 A CN 113284151A
- Authority
- CN
- China
- Prior art keywords
- pancreas
- neural network
- convolutional neural
- segmentation
- deep convolutional
- 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
- 210000000496 pancreas Anatomy 0.000 title claims abstract description 119
- 230000011218 segmentation Effects 0.000 title claims abstract description 104
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000002591 computed tomography Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000003484 anatomy Anatomy 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 201000002528 pancreatic cancer Diseases 0.000 description 3
- 208000008443 pancreatic carcinoma Diseases 0.000 description 3
- 208000016222 Pancreatic disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000018505 Endocrine pancreatic disease Diseases 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000001596 intra-abdominal fat Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06T2207/20084—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种基于深度卷积神经网络的胰腺分割方法，包括：获取患者胰腺处的计算机断层扫描图像；将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果；将感兴趣区域送入三种神经网络中进行初步分割，将二维胰腺图像进行数据增强获得足够的训练和验证数据，得到胰腺区域的初步分割结果，使得胰腺的分割边界清晰且平滑，能够简便地将解剖学的先验知识添加到分割模型中。
Description
技术领域
本公开涉及医学图像处理领域，尤其涉及一种基于深度卷积神经网络的胰腺分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成现有技术。
胰腺是位于腹腔深处的一个腺体器官，它在消化和葡萄糖代谢中都起着中心作用。胰腺疾病可分成外分泌性胰腺疾病和内分泌性胰腺疾病。据估计，仅在美国每年就有约4万例胰腺癌患者死亡和5万例新发病例。胰腺癌病人的愈后结果也令人沮丧——5年生存率不足5％。在医学图像中，胰腺的自动分割是许多医疗应用的前提，例如糖尿病筛查、胰腺癌确诊和手术规划等。但是，实现胰腺自动分割的高精度是一项艰巨的任务。对病人来说，胰腺的形状，大小和在腹部的位置可能因患者而异。胰腺周围的内脏脂肪组织可导致CT边界的对比度变化大，以上这些因素使胰腺的准确而稳固的分割具有挑战性。
为了解决胰腺分割中的挑战，研究者们在过去的几十年里开发了几种分割算法，这些算法主要采用具有手动特征的统计形状建模，水平集，多图集和图形模型。使用腹部CT进行胰腺分割的早期工作大多是基于统计形状模型或多图集技术。近几年主流的器官分割框架之一是多图谱与标签融合(Multi-atlas and Label Fusion，简称MALF)，其依据是“一人一病”评估协议，它可以通过转移来自图集图像的组合标签来分割目标图像。但是这些具有手动特征的方法在处理类似胰腺外观和形状存在巨大差异的这种器官时，它们的表现能力可能有限。
最近几年，深度学习领域，特别是卷积神经网络(Convolutional NeuralNetwork，简称CNN)正在蓬勃向前发展，为图像分割这一领域带来了长足的进步。许多传统方法，例如基于图割的分割方法或基于手工局部特征的方法，已被深度分割网络所取代，这些网络通常会产生更高的分割精度。与MALF方法相比，基于深度学习的分割算法不需要图像配准。一些专业的研究人员提出可以利用神经网络进行胰腺等医学图像的智能分割。
虽然深度卷积神经网络(Deep Convolutional Neural Network，简称DCNN) 可以用来高效分割胰腺等医学图像，并取得很好的分割效果，但仍需要解决以下问题：1)胰腺的分割边界粗糙或不够平滑；2)难以将解剖学的先验知识添加到分割模型中。
发明内容
为了解决上述问题，本公开提出了一种基于深度卷积神经网络的胰腺分割方法及系统。
第一方面，本公开提供了一种基于深度卷积神经网络的胰腺分割方法，包括：
获取患者胰腺处的计算机断层扫描图像；
将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。
第二方面，本公开提供了一种基于深度卷积神经网络的胰腺分割系统，包括：
数据获取模块，用于获取患者胰腺处的计算机断层扫描图像；
数据处理模块，用于将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
数据优化处理模块，用于采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。
第三方面，本公开提供了一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如第一方面所述的基于深度卷积神经网络的胰腺分割方法。
第四方面，本公开提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面所述的基于深度卷积神经网络的胰腺分割方法。
与现有技术对比，本公开具备以下有益效果：
1、本公开将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果，采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果，将感兴趣区域送入三种神经网络中进行初步分割，将二维胰腺图像进行数据增强获得足够的训练和验证数据，得到胰腺区域的初步分割结果，使得胰腺的分割边界清晰且平滑，能够简便地将解剖学的先验知识添加到分割模型中。
2、本公开利用水平集算法进行优化处理，将三种网络模型得到的初步分割结果进行取交集，得到公共的分割部分，再利用水平集算法对此结果进行优化处理，得到最终的分割结果，这使得最后的结果更加精确，其中基于边缘的水平集方法的性能很大程度上依赖于一个前提条件，即围绕感兴趣的对象存在清晰和可区分的边界。但是，CT图像上的胰腺往往有非常模糊的边界，这可能会严重损害水平集的性能。为了解决这一问题，本发明重新定义了一个边缘指标g。给定DCNN衍生的胰腺分割，本发明获得了胰腺内CT图像强度的统计数据，然后使用最大和最小百分比以减少嘈杂的分割。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开的一种基于深度卷积神经网络的胰腺分割方法的流程图；
图2是建立基于深度卷积神经网络和水平集的胰腺分割算法的步骤流程图；
图3是建立基于深度卷积神经网络的胰腺分割算法流程图；
图4是三种神经网络中的HED网络结构示意图；
图5是三种神经网络的SegNet网络结构示意图；
图6是三种神经网络的改进的U-Net网络结构示意图；
图7是利用本公开对胰腺进行分割的结果图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
属于解释：
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的 X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。
实施例1
如图1所示，一种基于深度卷积神经网络的胰腺分割方法，包括：
获取患者胰腺处的计算机断层扫描图像；
将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。
作为一种实施方式，所述将计算机断层扫描图像进行预处理步骤包括：
对计算机断层扫描图像进行采样提取图像切片；
对每个切片的像素强度归一化处理；
利用中心剪裁从图像切片中提取感兴趣区域；
通过随机垂直或水平翻转进行数据增强获得预处理后的计算机断层扫描图像数据。
具体的，本实施例通过线性映射来归一化图像强度；将原始数据进行预处理和数据增强，然后将数据作为三种网络模型的输入，在不同网络中进行训练，利用测试集样本对模型进行测试，实现CT胰腺的初步分割，将初步分割后的结果取交集作为水平集算法的初始化信息，通过水平集演化得到最终分割结果，完成基于深度卷积神经网络和水平集的胰腺分割方法。
所述对原始计算机断层扫描图像进行采样提取图像切片为使用matlab软件对原始CT图像进行采样提取图像切片。其中，神经网络模型训练时可采用12 倍交叉验证的方式随机选择将十二分之一的切片作为验证数据(158个切片)以调整网络的超参数，其余作为最终训练数据(1738个切片)以优化神经网络的权重。
对每个切片的像素强度归一化处理为通过最小-最大归一化将每个切片的像素强度归一化：
其中Imin和Imax表示一张切片中图像灰度值的最小强度和最大强度。
所述利用中心剪裁从图像切片中提取感兴趣区域具体为利用中心剪裁从图像切片中提取大小为256×256的感兴趣区域补丁。
所述神经网络模型的训练过程包括：
获取历史数据的原始计算机断层扫描图像；
将历史数据的原始计算机断层扫描图像进行预处理获得数据增强后的胰腺图像训练数据；
利用多种神经网络模型对数据增强后的胰腺图像训练数据进行训练和测试，得到训练好的深度卷积神经网络模型。
作为优选的一种实施方式，所述多种神经网络模型具体为三种神经网络，三种神经网络分别为改进的U-Net网络结构的神经网络模型、SegNet网络结构的神经网络模型、HED网络结构的神经网络模型。提出的网络是基于开源深度学习TensorFlow及其扩展版本TensorLayer实现的。实验过程是在装有
Xeon(R)CPU E5-2620 v4@2.10GHz×32和两块12GB的NVIDIA GeForce GTX TITAN Xp GPU的工作站上进行的，可使用同样版本的工具重新实现这些网络的体系结构，并使用一样的超参数和训练数据对所有网络进行训练。
将历史数据的原始计算机断层扫描图像进行预处理过程包括：
第一步：使用matlab软件对原始CT图像进行采样提取图像切片。采用12 倍交叉验证的方式随机选择将十二分之一的切片作为验证数据(158个切片)以调整网络的超参数，其余作为最终训练数据(1738个切片)以优化神经网络的权重。
第二步：通过最小-最大归一化将每个切片的像素强度归一化：
其中Imin和Imax表示一张切片中图像灰度值的最小强度和最大强度。
第三步：利用中心剪裁从图像切片中提取大小为256×256的感兴趣区域补丁。
第四步：通过随机垂直或水平翻转进行数据增强获取足够的训练数据。
利用改进的三种神经网络模型对数据增强后的胰腺图像进行训练和测试步骤包括：
建立卷积神经网络模型，构建ReLU激活函数，将Softmax函数作为损失函数；
使用逐像素加权策略损失函数训练卷积神经网络，利用粗分割结果，通过为每个像素添加权重图来增强高分辨率层的分类器性能；
通过Xavier方法，使用均匀分布随机初始化，初始化各个卷积层中的权重；
将预处理后胰腺图像训练数据输入卷积神经网络模型的进行训练，获取训练好的卷积神经网络模型。
具体的，建立卷积神经网络模型为：
式中，I表示输入图片，K表示卷积核，S(i,j)即卷积核W对应的输出矩阵的对应位置元素的值；I(m,n)K(i-m,j-n)表示输入矩阵(图像)的某个元素(m,n) 与卷积核K中的元素(i，j)的相乘；
分别在矩阵的横向和纵向做加和。
构建ReLU激活函数：f(x)＝max(0,x)
ReLU激活函数虽然简单，但具有很好的非线性特性，而且梯度计算方便，训练稳定，在神经网络模型中被广泛应用。
全连接层公式如下列公式所示，
即：O＝X@W+b
其中x1、x2、x3为全连接层的输入，输入矩阵X的类型被定义为[b,din]，b 表示样本数量，din表示输入节点数；W表示权值矩阵，类型被定义为[din,dout]， dout表示输出节点数，b表示偏置向量，类型定义为[dout]。
损失函数在深度卷积神经网络的训练中起着关键作用，并决定了深度卷积神经网络学习的表征形式。Softmax函数是常见的归一化函数，假设一个多分类任务是T分类，那么softmax的输入是一个T*1的向量，输出也是T*1的向量 (这个向量的每个值表示这个样本属于每个类的概率)，只是输出的向量的每个值的大小范围为0到1。公式如下式所示：
卷积层参数更新如以下两式所示：
池化层参数更新如以下两式所示：
全连接层网络参数更新如下式所示：
其中，网络参数学习率τ值需要在训练过程中以实际情况调节，如果E一直是发散状态，那么就需要将τ值调小；如果训练过程的效率很低，速度较慢，那么需要将τ值调大。
基于Adaboost理论，使用新颖的逐像素加权策略损失函数训练神经网络，该策略可以适当地利用粗分割结果，通过为每个像素添加权重图来增强高分辨率层的分类器性能。定义给定的输入图像和相关的金标准，如
和
其中Ω和
表示具有N个像素的图像空间域和带有M个不同标签的标签集。通过下面的算法来计算像素级的权重图。
Input:G,S＝{Sk,k＝1...K}
Initial:
1:for k∈{1...K}do
2:
3:
4:
Output:w＝{wk,k＝1...K}
参数δ用于控制权重值变化的幅度，而常数ε(0.000001)是避免ak零值的偏置项。在最后一行，对权重图进行了归一化，以确保权重之和等于1。令W 表示神经网络中所有能够学习的变量，例如卷积层的权重和偏差项。权重图完全由本发明网络的损失函数组成，称为加权损失(Weighted Loss，简称WL)，定义为下式：
其中Pk为由soft-max函数给出的每个种别的像素x属性的后验几率。
在训练阶段，通过Xavier方法，使用均匀分布随机初始化，来初始化各个卷积层中的权重。本文使用Adam算法来最小化由公式(3-2)定义的加权损失函数，其中第一个动量的学习率设置成0.0001，指数衰减率设置成0.9。根据网络训练的经验，将批次大小设置为8有利于算法收敛并获得良好的结果。参数δ设置为1.5。
作为一种实施方式，所述采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果的步骤包括：
采用改进的水平集算法对深度学习模型的结果进行优化处理，得到更准确的胰腺分割结果；
用一个欧氏符号距离函数的零水平集形成胰腺的隐式轮廓表示；
使用距离正则化水平集进行模拟，运行优化算法确定最终胰腺边界；
重新定义了一个边缘指标，给定深度卷积神经网络衍生的胰腺分割，获得了胰腺内计算机断层扫描图像强度的统计数据，然后使用最大和最小百分比以减少嘈杂的分割；
通过线性映射来归一化图像强度。
具体的，用一个欧氏符号距离函数
的零水平集可以形成胰腺的隐式轮廓表示，可以表示为C＝{x∈Ω∣φ(x)＝0}，其中轮廓内部点有φ(x)＜0，外部点有φ(x)＞0。
将二进制阶跃函数φ0定义为：
使用距离正则化水平集进行模拟，运行优化算法确定最终胰腺边界。将LSF 用能量泛函表示：
其中
是距离正则化项，用于避免重新初始化及其引起的数值误差，其为了保证
并且εext(φ)定义为：
长度项
用来计算边缘指标g沿零级轮廓的线积分，δ为Dirac delta函数。加权面积项为
其作用是计算区域Ω的加权面积，H为Heaviside函数。各项系数μ、λ、α为固定参数。
在实际应用中，δ和H由平稳函数δε和Hε表示，δε是Hε的导数，并且参数ε设为1.5，其定义为：
和
距离正则化项
的优选势函数p是一个双井势。通常将其构造成：
其含有两个最小点，分为在s＝0和s＝1处取得。那么能量泛函ε(φ)的梯度流可以表示为：
其中div(·)表示散度算子，φ(x)表示当前的水平集函数，φ0也被用作水平集过程中的约束，dp(·)表示函数p(·)的导数。
基于边缘的水平集方法的性能很大程度上依赖于一个前提条件，即围绕感兴趣的对象存在清晰和可区分的边界。但是，CT图像上的胰腺往往有非常模糊的边界，这可能会严重损害水平集的性能。为了解决这一问题，本发明重新定义了一个边缘指标g。给定DCNN衍生的胰腺分割(RF)，本发明获得了胰腺内 CT图像强度的统计数据，然后使用最大和最小百分比(Tlow和Thigh)以减少嘈杂的分割。通过线性映射来归一化图像强度：
这种截断和标准化可以增强胰腺周围的图像对比度并去除残留的组织。边缘指标g通常通过下式获得：
其中Gσ是具有标准偏差σ的高斯核。卷积*的用于使图像平滑以减少噪声的。与其他位置相比，此函数通常在目标边界处采用较小的值。
为了验证本发明对CT胰腺分割的准确性，对本发明进行了三组病人数据的分割实验，实验结果如图6所示。由图6可知，本发明所建立的基于深度卷积神经网络和水平集的胰腺分割的准确率均保持在90％以上，能够在保证稳定性的基础上达到较高的准确率，分割效果良好。这表明本发明建立的基于深度卷积神经网络和水平集的胰腺分割算法是有效的，为建立精确CT胰腺分割模型提供了更好的方法，具有一定的实用性。
实施例2
一种基于深度卷积神经网络的胰腺分割系统，包括：
数据获取模块，用于获取患者胰腺处的计算机断层扫描图像；
数据处理模块，用于将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
数据优化处理模块，用于采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。
进一步的，所述数据获取模块、数据处理模块和数据优化处理模块的具体方式分别对应上述实施例中所述的基于深度卷积神经网络的胰腺分割方法的具体步骤。
实施例3
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上述实施例中所述的基于深度卷积神经网络的胰腺分割方法。
实施例4
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上述实施例中所述的基于深度卷积神经网络的胰腺分割方法。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于神经网络的胰腺分割方法，其特征在于，包括：
获取患者胰腺处的计算机断层扫描图像；
将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。
2.如权利要求1所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述得到最终胰腺分割结果的具体步骤包括：
用一个欧氏符号距离函数的零水平集形成胰腺的隐式轮廓表示；
使用距离正则化水平集进行模拟，运行优化算法确定最终胰腺边界；
重新定义了一个边缘指标，给定深度卷积神经网络衍生的胰腺分割，获得了胰腺内计算机断层扫描图像强度的统计数据，然后使用最大和最小百分比以减少嘈杂的分割；
通过线性映射来归一化图像强度，输出最终胰腺分割结果。
3.如权利要求2所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，对每个切片的像素强度归一化处理为通过最小-最大归一化将每个切片的像素强度归一化。
4.如权利要求1所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述神经网络模型的训练过程包括：
获取历史数据的原始计算机断层扫描图像；
将历史数据的原始计算机断层扫描图像进行预处理获得数据增强后的胰腺图像训练数据；
利用多种神经网络模型对数据增强后的胰腺图像训练数据进行训练和测试，得到训练好的深度卷积神经网络模型。
5.如权利要求4所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述多种神经网络具体数量为三种，分别为U-Net网络结构的神经网络模型、SegNet网络结构的神经网络模型、HED网络结构的神经网络模型。
6.如权利要求5所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，利用三种神经网络模型对数据增强后的胰腺图像进行训练和测试步骤包括：
建立卷积神经网络模型，构建ReLU激活函数，将Softmax函数作为损失函数；
使用逐像素加权策略损失函数训练卷积神经网络，利用粗分割结果，通过为每个像素添加权重图来增强高分辨率层的分类器性能；
通过Xavier方法，使用均匀分布随机初始化，初始化各个卷积层中的权重；
将预处理后胰腺图像训练数据输入卷积神经网络模型的进行训练，获取训练好的卷积神经网络模型。
7.如权利要求1所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述将计算机断层扫描图像进行预处理步骤包括：
对计算机断层扫描图像进行采样提取图像切片；
对每个切片的像素强度归一化处理；
利用中心剪裁从图像切片中提取感兴趣区域；
通过随机垂直或水平翻转进行数据增强获得预处理后的计算机断层扫描图像数据。
8.一种基于深度卷积神经网络的胰腺分割系统，包括：
数据获取模块，用于获取患者胰腺处的计算机断层扫描图像；
数据处理模块，用于将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
数据优化处理模块，用于采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。
9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1-7任一所述的基于深度卷积神经网络的胰腺分割方法。
10.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7任一所述的基于深度卷积神经网络的胰腺分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110631496.2A CN113284151A (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110631496.2A CN113284151A (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113284151A true CN113284151A (zh) | 2021-08-20 |
Family
ID=77283634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110631496.2A Pending CN113284151A (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113284151A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115908457A (zh) * | 2023-01-06 | 2023-04-04 | 脑玺(苏州)智能科技有限公司 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
| WO2023207820A1 (zh) * | 2022-04-29 | 2023-11-02 | 之江实验室 | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584167A (zh) * | 2018-10-24 | 2019-04-05 | 深圳市旭东数字医学影像技术有限公司 | 基于二阶特征的ct图像肝内血管增强与分割方法及系统 |
| CN110047082A (zh) * | 2019-03-27 | 2019-07-23 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
| CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
| CN111429467A (zh) * | 2019-10-11 | 2020-07-17 | 华中科技大学 | 改进Lee-Seo模型的水平集三维表面特征分割方法 |
| CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
| CN112712532A (zh) * | 2020-12-30 | 2021-04-27 | 南京邮电大学 | 基于瓶颈结构的多尺度DC-CUNets的肝脏肿瘤分割方法 |
-
2021
- 2021-06-07 CN CN202110631496.2A patent/CN113284151A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584167A (zh) * | 2018-10-24 | 2019-04-05 | 深圳市旭东数字医学影像技术有限公司 | 基于二阶特征的ct图像肝内血管增强与分割方法及系统 |
| CN110047082A (zh) * | 2019-03-27 | 2019-07-23 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
| CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
| CN111429467A (zh) * | 2019-10-11 | 2020-07-17 | 华中科技大学 | 改进Lee-Seo模型的水平集三维表面特征分割方法 |
| CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
| CN112712532A (zh) * | 2020-12-30 | 2021-04-27 | 南京邮电大学 | 基于瓶颈结构的多尺度DC-CUNets的肝脏肿瘤分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| JINGJING WANG ET AL.: "A Novel Brain Tumor Segmentation Approach Based on Deep Convolutional Neural Network and Level Set", 《2020 THE 12TH INTERNATIONAL CONFERENCE ON ADVANCED INFOCOMM TECHNOLOGY》 * |
| 朱振宇: "基于卷积神经网络及水平集优化的胰腺分割技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023207820A1 (zh) * | 2022-04-29 | 2023-11-02 | 之江实验室 | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 |
| CN115908457A (zh) * | 2023-01-06 | 2023-04-04 | 脑玺(苏州)智能科技有限公司 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmad et al. | Deep belief network modeling for automatic liver segmentation | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| US20180260957A1 (en) | Automatic Liver Segmentation Using Adversarial Image-to-Image Network | |
| Lu et al. | Fully automatic liver segmentation combining multi-dimensional graph cut with shape information in 3D CT images | |
| Choudhry et al. | Performance analysis of fuzzy C-means clustering methods for MRI image segmentation | |
| JP6505124B2 (ja) | 適応性放射線治療における自動輪郭抽出システム及び方法 | |
| Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
| Mahbod et al. | Automatic brain segmentation using artificial neural networks with shape context | |
| CN107481252A (zh) | 医学图像的分割方法、装置、介质和电子设备 | |
| JP5235770B2 (ja) | 顕著領域映像生成方法、顕著領域映像生成装置、プログラムおよび記録媒体 | |
| Maher et al. | Accelerating cardiovascular model building with convolutional neural networks | |
| CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
| Hosseini-Asl et al. | 3-D lung segmentation by incremental constrained nonnegative matrix factorization | |
| Wei et al. | Learning-based 3D surface optimization from medical image reconstruction | |
| CN113284151A (zh) | 一种基于深度卷积神经网络的胰腺分割方法及系统 | |
| US11984218B2 (en) | Apparatus, method, and non-transitory computer-readable storage medium for enhancing computed tomography image resolution | |
| Friedrich et al. | Point cloud diffusion models for automatic implant generation | |
| La Rosa | A deep learning approach to bone segmentation in CT scans | |
| CN115953413B (zh) | 一种mra图像分割方法、装置及存储介质 | |
| Heimann et al. | Optimal landmark distributions for statistical shape model construction | |
| EP4343680A1 (en) | De-noising data | |
| Karimi et al. | Accurate and robust segmentation of the clinical target volume for prostate brachytherapy | |
| Manzanera et al. | Patient-specific 3d cellular automata nodule growth synthesis in lung cancer without the need of external data | |
| Kaur et al. | Segmenting bone parts for bone age assessment using point distribution model and contour modelling |
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: 20210820 |
|
| RJ01 | Rejection of invention patent application after publication |