CN113344938A - 一种肝脏肿瘤图像分割模型训练方法 - Google Patents
一种肝脏肿瘤图像分割模型训练方法 Download PDFInfo
- Publication number
- CN113344938A CN113344938A CN202110493710.2A CN202110493710A CN113344938A CN 113344938 A CN113344938 A CN 113344938A CN 202110493710 A CN202110493710 A CN 202110493710A CN 113344938 A CN113344938 A CN 113344938A
- Authority
- CN
- China
- Prior art keywords
- tumor
- image
- segmentation model
- image segmentation
- plaque
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 16
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 14
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 94
- 210000004185 liver Anatomy 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 5
- 201000007270 liver cancer Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening 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
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种肝脏肿瘤图像分割模型训练方法，首先获取肝脏CT图像，对肝脏CT图像进行预处理操作得到样本图像和肿瘤斑块图像，然后进行肿瘤图像分割模型具体训练：一阶段，将样本图像输入预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；二阶段，将肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；三阶段，将样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。该方法从整个肝脏CT图像输入和肿瘤斑块图像两方面训练网络，可以整合肿瘤的特定特征，并结合肿瘤数据的整体背景，提高肝脏肿瘤图像分割的准确率。
Description
技术领域
本发明属于医学图像处理领域，具体涉及一种肝脏肿瘤图像分割模型训练方法。
背景技术
肝癌是全球第二大常见的癌症死亡的主要原因，对于肝癌的筛查，计算机断层扫描(CT)是最常用的成像工具，CT中肝脏的形态和质地异常以及可见病变在原发性和继发性肝肿瘤疾病中是疾病进展的重要的标志物。在临床实践中，肿瘤的大小远小于整个CT以及肝脏区域的大小，从整个CT体积或肝脏区域中分割出肿瘤是一项困难的挑战。
现有技术中通常是采用级联模型的方法进行肝肿瘤分割：肝脏定位网络，肝脏分割网络和肿瘤分割网络。这种方法虽然能很好的分割肝脏，但是可能会遗漏肿瘤的特性特征，无法提高肝肿瘤分割的有效性，难以更好的捕捉到肝脏中的小型肿瘤。
发明内容
为了解决现有技术的上述问题，本发明提供一种肝脏肿瘤图像分割模型训练方法，能够在整个CT图像下，更好地捕捉肿瘤特定特征，为了达到该目的，本发明的技术方案如下：
一种肝脏肿瘤图像分割模型训练方法，所述的方法包括：
获取肝脏CT图像，对所述的肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，所述的预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成，其中肿瘤斑块图像的大小由样本图像中的最大肿瘤决定；
利用所述的样本图像和肿瘤斑块图像依次对肿瘤图像分割模型进行训练，直至确定肿瘤图像分割模型训练完成，所述的肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型；其中，执行的训练过程包括：
将所述的样本图像输入至预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；
将所述的肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；
将所述的样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。
进一步地，所述的肿瘤斑块图像中包括阳性肿瘤斑块图像和阴性肿瘤斑块图像，其中阳性肿瘤斑块图像和阴性肿瘤斑块图像大小相同。
进一步地，所述的肿瘤图像分割模型采用Unet神经网络结构，由对称的编码器和解码器组成。
进一步地，所述的肝脏CT图像的每个切片分辨率为512×512，样本图像大小设置为64×256×256，肿瘤斑块图像大小设置为64×190×190。
本发明的有益效果在于：从整个肝脏CT样本图像和肿瘤斑块两方面训练网络，能够在CT背景下更好的捕捉肿瘤特定特征，从而得到更好的肿瘤分割效果。
附图说明
图1是本发明肝脏肿瘤图像分割模型训练方法流程示意图；
图2是本发明肝脏肿瘤分割模型结构图。
具体实施方式
下面结合附图和实施例，对本发明技术方案作进一步描述：
本实施例中提供了一种肝脏肿瘤图像分割模型训练方法，如图1所示，包括：
获取肝脏CT图像，肝脏CT图像包含多组样本；在本实施例中训练数据包括150个CT扫描，都具有512×512的像素分辨率。
对肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成。在本实施例中将样本图像共有12734个，大小设置为64×256×256，以优化可用GPU内存与输入补丁中保留的上下文信息。
肿瘤斑块图像，用以包封训练中使用的任何肿瘤图像，肿瘤斑块图像的大小为样本图像中肿瘤的最大大小，在本实施例将得到的肿瘤斑块图像大小裁剪为64×190×190，肿瘤斑块图像包括了阳性肿瘤斑块图像和阴性肿瘤斑块图像，用以训练模型在具有肿瘤斑块输入时和不具有肿瘤斑块输入的情况，其中阴性肿瘤斑块图像具有和阳性肿瘤斑块图像相同大小，但不具有任何肿瘤，具体获得43697个阳性肿瘤斑块和23448个阴性肿瘤斑块。
在预处理过程后，利用样本图像和肿瘤斑块图像对肿瘤图像分割模型进行训练，如图2，肿瘤图像分割模型是基于U-net网络通过PyTorch框架实现的，肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型代表了肿瘤图像分割模型在在本方法不同训练阶段下的分割没模型，训练的过程具体包括：
一阶段，以1的批量大小将大小为64×256×256的12734个样本图像输入至预设的肿瘤图像分割模型进行训练，学习率设置为10-3，得到训练完成的第一肿瘤图像分割模型；
二阶段，以2的批量大小将大小为64×190×190的肿瘤斑块图像输入至第一肿瘤图像分割模型，其中具体有43697个阳性肿瘤斑块图像和23448个阴性肿瘤斑块图像，学习率设置为10-4，得到训练完成的第二肿瘤图像分割模型；
三阶段，再次以1的批量大小将一阶段中大小为64×256×256的样本图像输入第二肿瘤图像分割模型重新进行训练，学习率设置为10-5，得到训练完成的肿瘤图像分割模型，该方法可以整合肿瘤的特定特征，并结合肿瘤数据的整体背景，达到分割肿瘤的目的。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种肝脏肿瘤图像分割模型训练方法，其特征在于，所述的方法包括：
获取肝脏CT图像，对所述的肝脏CT图像进行预处理操作，得到样本图像和肿瘤斑块图像，所述的预处理操作包括间隔插值、窗口变换、有效范围提取和肿瘤斑块图像的生成，其中肿瘤斑块图像的大小由样本图像中的最大肿瘤决定；
利用所述的样本图像和肿瘤斑块图像依次对肿瘤图像分割模型进行训练，直至确定肿瘤图像分割模型训练完成，所述的肿瘤图像分割模型还包括预设的图像分割模型、第一肿瘤图像分割模型和第二肿瘤图像分割模型；其中，执行的训练过程包括：
将所述的样本图像输入至预设的图像分割模型中进行训练，得到训练完成的第一肿瘤图像分割模型；
将所述的肿瘤斑块图像输入至第一肿瘤图像分割模型中进行训练，得到训练完成的第二肿瘤图像分割模型；
将所述的样本图像输入至第二图像分割模型中进行训练，得到训练完成的肿瘤图像分割模型。
2.根据权利要求1所述的方法，其特征在于，所述的肿瘤斑块图像中包括阳性肿瘤斑块图像和阴性肿瘤斑块图像，其中阳性肿瘤斑块图像和阴性肿瘤斑块图像大小相同。
3.根据权利要求1所述的方法，其特征在于，所述的肿瘤图像分割模型采用Unet神经网络结构，由对称的编码器和解码器组成。
4.根据权利要求1所述的方法，其特征在于，所述的肝脏CT图像的每个切片分辨率为512×512，样本图像大小设置为64×256×256，肿瘤斑块图像大小设置为64×190×190。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493710.2A CN113344938A (zh) | 2021-05-07 | 2021-05-07 | 一种肝脏肿瘤图像分割模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110493710.2A CN113344938A (zh) | 2021-05-07 | 2021-05-07 | 一种肝脏肿瘤图像分割模型训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344938A true CN113344938A (zh) | 2021-09-03 |
Family
ID=77469815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110493710.2A Pending CN113344938A (zh) | 2021-05-07 | 2021-05-07 | 一种肝脏肿瘤图像分割模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344938A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861717A (zh) * | 2023-02-21 | 2023-03-28 | 华中科技大学协和深圳医院 | 乳腺肿瘤良恶性分类模型方法、系统、终端及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180260957A1 (en) * | 2017-03-08 | 2018-09-13 | Siemens Healthcare Gmbh | Automatic Liver Segmentation Using Adversarial Image-to-Image Network |
| CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
| 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 |
| CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
| CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
| CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
-
2021
- 2021-05-07 CN CN202110493710.2A patent/CN113344938A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180260957A1 (en) * | 2017-03-08 | 2018-09-13 | Siemens Healthcare Gmbh | Automatic Liver Segmentation Using Adversarial Image-to-Image Network |
| CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
| CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
| 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 |
| CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
| CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
Non-Patent Citations (2)
| Title |
|---|
| RAMINRANJBARZADEH ET AL: "Automated liver and tumor segmentation based on concave and convex points using fuzzy c-means and mean shift clustering", 《MEASUREMENT》 * |
| 李金泽: "基于深度学习的肝部肿瘤分割算法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861717A (zh) * | 2023-02-21 | 2023-03-28 | 华中科技大学协和深圳医院 | 乳腺肿瘤良恶性分类模型方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596887B (zh) | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 | |
| CN108364294B (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
| DE102005036412B4 (de) | Verbesserte GGN-Segmentierung in Lungenaufnahmen für Genauigkeit und Konsistenz | |
| CN110097557B (zh) | 基于3D-UNet的医学图像自动分割方法及系统 | |
| CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
| CN109528230B (zh) | 一种基于多级变换网络的乳腺肿瘤分割方法及装置 | |
| CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
| CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
| CN111047559B (zh) | 一种数字病理切片异常区域快速检测的方法 | |
| CN113223004A (zh) | 一种基于深度学习的肝脏图像分割方法 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| CN111340773B (zh) | 一种视网膜图像血管分割方法 | |
| Sagar et al. | Color channel based segmentation of skin lesion from clinical images for the detection of melanoma | |
| Tseng et al. | An adaptive thresholding method for automatic lung segmentation in CT images | |
| Gopi et al. | Lung tumor area recognition and classification using EK-mean clustering and SVM | |
| CN113344938A (zh) | 一种肝脏肿瘤图像分割模型训练方法 | |
| CN113160208A (zh) | 一种基于级联混合网络的肝脏病变图像分割方法 | |
| CN117876690A (zh) | 一种基于异构UNet的超声影像多组织分割方法和系统 | |
| CN105869169A (zh) | 一种肿瘤组织微排列图像的自动分割方法 | |
| CN112686897A (zh) | 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法 | |
| CN112348826A (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
| Anithadevi et al. | Brain tumour extraction based on segmentation | |
| CN111292289B (zh) | 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质 | |
| CN111798426A (zh) | 用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统 | |
| CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210918 Address after: 102629 Room 401, building 1, 38 Yongda Road, Daxing biomedical industrial base, Zhongguancun Science and Technology Park, Daxing District, Beijing Applicant after: Beijing precision diagnosis Medical Technology Co.,Ltd. Address before: Room 102, block B2, phase II, software new town, tianguba Road, Yuhua Street office, high tech Zone, Xi'an, Shaanxi 710000 Applicant before: Xi'an Zhizhen Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |
|
| WD01 | Invention patent application deemed withdrawn after publication |