CN113538451A - 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 - Google Patents
一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 Download PDFInfo
- Publication number
- CN113538451A CN113538451A CN202110527490.0A CN202110527490A CN113538451A CN 113538451 A CN113538451 A CN 113538451A CN 202110527490 A CN202110527490 A CN 202110527490A CN 113538451 A CN113538451 A CN 113538451A
- Authority
- CN
- China
- Prior art keywords
- result
- segmentation
- magnetic resonance
- image
- resonance image
- 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.)
- Granted
Links
- 206010051055 Deep vein thrombosis Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 206010047249 Venous thrombosis Diseases 0.000 title claims abstract description 40
- 238000003709 image segmentation Methods 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 72
- 208000007536 Thrombosis Diseases 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 9
- 210000003141 lower extremity Anatomy 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007917 intracranial administration Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 238000012795 verification 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
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质，通过建立三维分割网络模型，利用生成器、鉴别器等模型结构挖掘血栓图像切片内的信号特点与切片间的空间位置信息，通过构建生成对抗网络，避免了模型训练中将与血栓相似的组织结构错误分割，进一步提高深静脉血栓的分割精度。
Description
技术领域
本发明涉及医学图像与计算机计算交叉领域，具体涉及一种深静脉血栓的磁共振图像自动分割方法及装置，电子设备及存储介质。
背景技术
深静脉血栓(Deep Venous Thrombosis:DVT)是目前第三大心血管疾病，常发生于下肢深静脉和颅内静脉窦等位置。近年来，黑血血栓(Black-blood Thrombus Imaging:BTI)磁共振成像被用于DVT的诊断中，它使得血栓在不需要造影剂的情况下可以直接显示在扫描图像中，是目前诊断DVT最为流行的影像手段之一。从BTI图像中准确量化血栓的分布、信号强度、体积和形状等特征信息，可以使得DVT治疗计划的制定更加准确和高效。量化这些血栓特征的关键步骤是从BTI图像中准确分割出血栓区域，然而由于每位患者都有数百张扫描图像而且血栓自身分布、形态特点各不相同，这使得医生手动勾画血栓区域会耗费大量的精力并且还不能保证分割结果的准确性。
近年来，卷积神经网络(Convolution Neural Network:CNN)因利用卷积的方法有效地从大量图像样本中学习到相应的特征，避免了复杂的特征提取过程从而在医学图像分割应用中展现出强大的潜力。目前CNN模型主要分为两类：一类是二维(Two-Dimensional:2D)图像分割模型，该模型仅需病人的单张切片即可进行训练，优点是不占用大量的计算机资源，缺点是无法获取切片之间相关联的信息，对于多层扫描的三维医学图像往往分割精度较低，无法真正满足临床需求。
CNN模型第二类则是三维(Three-Dimensional:3D)图像分割模型，整个病人的扫描数据直接或者划分为图像块输入到网络中进行训练。这种方法往往会受到计算机资源大小的限制，但是对于切片数量较多的图像，它既能提取到扫描图像的切片内信息，同时能充分利用到切片间的关联信息。网络训练过程中，三维卷积核在整个病人的数据上滑动并提取特征，CNN根据这些特征进行建模，最终实现自动分割。然而，目前尚未有关于BTI图像上的深静脉血栓区域三维分割模型的具体解决方法。
发明内容
鉴于现有技术的不足，本发明提供一种深静脉血栓的磁共振图像自动分割方法及装置，电子设备及存储介质。
为解决图像自动分割问题，本发明的采用如下技术方案：
获取深静脉血栓磁共振图像，并对所述深静脉血栓磁共振图像进行预处理；
对所述预处理的深静脉血栓磁共振图像进行三维图像分割，所述三维图像分割包括生成阶段和鉴别阶段；
所述生成阶段包括编码和解码，所述编码对所述预处理的深静脉血栓磁共振图像进行卷积运算，所述解码对所述编码结果进行反卷积和跳连接运算，所述编码和所述解码提取所述深静脉血栓磁共振图像切片内的特征信号与切片间的空间位置信息，产生初步分割结果；
预先建立生成对抗网络，所述鉴别阶段是将所述初步分割结果与人工勾画结果输入到所述生成对抗网络中进行网络训练，直到使得所述生成对抗网络的模型收敛而获得最后分割结果。
进一步地，所述编码过程中采用3×3×3卷积核，所述解码过程是3×3 ×3卷积核和1×1×1的卷积核叠加。
进一步地，在所述生成阶段中，将所述初步分割结果的像素与所述人工勾画结果的像素输入到预设的特征提取损失函数中，所述损失函数的公式如下所示：
其中，LGenerator代表所述生成阶段的损失函数，x为所述生成阶段的初步血栓分割结果，xi代表初步分割结果的第i个像素，y代表人工勾画的血栓， yi代表对应的人工勾画结果的第i个像素，log代表对数运算，N是像素的个数；
在所述鉴别阶段中，所述生成对抗网络的公式如下表示：
其中，MSE代表均方误差，E代表数学期望，G代表生成阶段，D代表鉴别阶段，θG和θD代表来自生成阶段以及鉴别阶段的图像元素。
本发明的一种深静脉血栓的磁共振图像分割方法具有以下有益效果：
(1)采用基于深度学习的图像分割方法去实现BTI图像上深静脉血栓的精准分割，通过构建的三维生成器不仅能提取扫描图像切片内的血栓信息更能获得血栓空间结构的信息；
(2)引入三维鉴别器来严格约束分割结果，避免将器官或者临近组织分割为血栓的错误；
(3)在模型训练过程中则是引入了模型自动调参方法，减少了人工优化模型效果的负担，且提升血栓区域分割精度和加速模型训练的过程。
本申请不仅实现了BTI图像上深静脉血栓区域的自动分割，而且与现有技术相比，它能实现更加精准的血栓区域分割，避免了一些错误分割，减少了人工优化网络模型的步骤，使得在很少人工参与的情况下就能实现模型预测结果与医生手动勾画血栓区域的高度一致，大大降低了临床医生诊断DVT 的劳动成本，也提升了对该类疾病诊断的效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：
图1为本发明整体方案步骤示意图；
图2为本发明整体网络结构流程图；
图3为本发明三维自动分割模型结构图；
图4为本发明鉴别器网络结构图；
图5为本发明网络模型仿真图；
图6为本发明下肢深深静脉血栓分割结果与医生勾画血栓比较图；
图7为本发明颅内静脉窦血栓分割结果与医生勾画血栓比较图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示为整体方案流程图。其中具体步骤如下：
S1：获取原始深静脉血栓磁共振图像，并进行预处理；
S2：对预处理图像进行编码，通过卷积获取编码结果；
S3：对编码结果进行解码，利用反卷积和跳连接运算获得初步分割结果；
S4：预先建立生成对抗网络，对初步分割结果和人工勾画结果进行网络训练；
S5：生成对抗网络模型收敛，获得并输出最后分割结果。
其中，步骤S1可通过图像处理模块对深静脉血栓磁共振图像进行预处理，步骤S2-S3通过三维自动分割模型生成初步结果的步骤，步骤S4-S5为鉴别步骤，通过预先建立的生成对抗网络经模型收敛获得并输出最佳分割效果。
如图2所示，为本申请整体网络结构图。原始深静脉血栓BTI图像P1经过图像预处理器101预处理后，生成图像块IP1(Image Patch)，在分割图像生成器102中，对图像块IP1进行三维自动分割，图像块IP1经上述步骤S2 和步骤S3后最终获得分割块SP2(SegmentedPatch)，将分割块SP2与人工勾画结果GTP3(Ground Truth Patch)输入至鉴别器103中，所述鉴别器预先建立生成对抗网络模型中，当模型获得收敛时输出最佳分割结果。
本实施例中，以收集到的110例下肢深深静脉血栓BTI数据以及53例颅内深静脉血栓BTI数据作为原始图像数据进行本申请技术方案的详细讲解。
首先，进行图像预处理过程S1：对收集到的原始深静脉血栓图像使用图像重采样的方法，获取这批数据空间分辨率数据的中位数，再将不同病人的空间分辨率统一为该中位数的数值。对于原始的BTI影像数据，使用三次样条插值方法进行重采样，而对于医生手动勾画的标签数据使用最邻近插值方法进行空间分辨率的统一。本申请采用滑动窗口法对输入图像进行裁剪，窗口大小选定长宽高为192×160×64像素的尺寸，滑动窗口每次滑动的距离为选定尺寸的一半，这样不仅减少了计算机资源的损耗也不会存在输入图像信息的缺失。在图像预处理完成后，选择将80％的数据用于模型训练，20％的数据用于模型的测试。
如图2-3所示，其中生成器102中构建三维自动分割模块，所述三维分割模块包括编码步骤S2以及解码步骤S3，其中解码步骤S2即图3中向右箭头“→”A1所示，为卷积运算标识；解码步骤S3为图2中向左箭头“←”以及向下箭头“↓”，即分别为反卷积和跳连接两段运算过程。具体地，编码步骤S2的模块设计可根据实际需要增加运算模块，本实施例中，对原始下肢深深静脉血栓BTI图像P1进行预处理，图像P1被分割成大小为192×160×64 的图像块IP1，其中对图像块IP1进行多次卷积运算A1后成为输出图像中的每个对应像素，经过卷积核C1运算完成深静脉血栓BTI图像P1的特征提取，本实施例中采用3×3×3卷积核，图像块IP1经6次卷积运算获取图像特征，随着卷积核C1以及卷积运算A1的增加，提取到的特征也从低级特征增加到高级特征，图像尺寸也在逐步缩小。同时，为实现加速训练过程，还可采用数据归一化处理，将数据映射到指定的给定范围，在给定范围内进行计算，加速运算速度。另外，卷积核C1中引入LeakyRelu激活函数增加神经网络的各层之间非线性，加速全卷积神经网络收敛。
在解码步骤S3中，设计3×3×3卷积核和1×1×1的卷积核C2，并在卷积核C2中引入softmax函数，其具体过程为：从卷积核C1中提取到的每一阶段特征图，经过反卷积运算A2逐步还原为最初的尺寸大小，从而最终获得分割块SP2，而跳连接运算A3为图像的分割提供了来自编码阶段的信息，进一步提升分割效果。
通过编码步骤S2和解码步骤S3两段步骤，完成了深静脉血栓BTI图像P1 自动分割的生成阶段，为进一步加速模型的收敛，以及使得模型在训练时注意细小血栓区域的分割，模型中采用损失函数优化，损失函数具体表达式为公式(1)：
式(1)中，LGenerator代表所述生成阶段的损失函数，x为所述生成阶段的初步血栓分割结果，xi代表初步分割结果的第i个像素，y代表人工勾画的血栓，yi代表对应的人工勾画结果的第i个像素，log代表对数运算，N是像素的个数。
如图4所示为鉴别器103的网络结构，鉴别器103用于进一步约束生成器 102的分割结果，去除错误分割。鉴别器103由三层卷积模块C3组成生成对抗网络，每个卷积模块模块C3包括1×1×1的卷积核以及LeakyRelu激活函数。本实施例中，鉴别器103的具体训练过程如下：生成器102生成的分割块SP2以及医生手动勾画的人工勾画结果GTP3一起输入到三层卷积模块C3中，三层卷积模块C3的每一层卷积模块去提取特征并进行比较，判断并输出分割块SP2 的真伪，迫使分割块SP2接近于人工勾画结果GTP3，从而进一步约束生成器 102以降低错误分割的可能，并输出最终结果FP4。在此阶段，我们使用GAN loss进行模型的训练，具体表达式为公式(2)：
式(2)中，均方误差LMSE(Mean Square Error:MSE)被用来处理损失函数,而θG和θD代表来自生成器以及鉴别器的图像元素。
如图5所示，随着训练迭代的轮数(epoch)增加各项指标参数呈现的变化趋势，每60个epoch进行一次自检，图5a、图5b表示训练集和验证集均随轮数增加而损失值降低，在本实施例中，利用Adam优化器将初始学习率设定为 3e-4，并且采用模型自动调参的策略：当训练集loss在30个epoch内减少小于5e-3，该模型学习率将缩小五倍，模型继续训练；图5c代表随训练迭代的轮数增加评估指标(evaluation metric)不断上升，而当验证集上的loss在60个epoch内减少小于5e-3，或者学习率小于1e-6，网络模型的评估指标不再提升，模型停止训练并保存最优模型模型，此时达到了最佳的分割效果。
本实施例中，评价器103分别采用Dice相似系数(Dice Similariy Coefficient:DSC)、平均豪斯多夫距离(Average Hausdorff Distance:AHD)和绝对体积误差(AbsoluteVolume Difference:AVD)等评价方法来对分割模型的性能进行评估，各指标的计算方法如下公式(3)-(5)：
AHD＝max{GD(GT,P),IGD(GT,P)} (5)
其中，真阳性(True Positive:TP)表示被模型预测为血栓，实际上也是血栓的像素总数,真阴性(True Negative:TN)表示被模型预测为其它组织，实际上不是血栓的像素总数,假阳性(False Positive:FP)表示被模型预测为血栓，实际上是其它组织的像素总数,假阴性(False Negative:FN)表示被模型预测为其它组织，实际上是血栓的像素总数。血栓真实体积(Ground Truth Volume:GTV)和模型预测体积(Prediction Volume:PV)通过空间分辨率等信息被计算出并进行比较。此外，世代距离(Generational Distance：GD)与反世代距离(Inverted Generational Distance：IGD)被用来计算手工勾画结果(GroundTruth:GT)与模型预测结果(Prediction:P)之间的距离差距。
本实施例中，附图6-7是结合下肢深深静脉血栓和颅内静脉窦血栓实施例进行分析，利用资深影像科医生对于模型的分割结果与手动勾画结果进行比较和评价。本实施例中，采用20％的DVT图像数据用于模型的测试，结合表1 的各项血栓分割评价指标可以看到，在下肢深深静脉血栓BTI图像的分割中，本申请网络模型的平均DSC达到了0.78，且平均AVD为0.12，值较小，证明本申请技术方案的分割体积接近于真实情况，另外平均AHD(mm)反应的是分割模型的边界差异，表中的结果证明该方法的边界分割细节较好。从附图6的分割结果角度展示了模型预测效果，从冠状位截图可以看到，附图6a为采集的原始图片，本申请提出的方法分割结果(图6b)与医生手动勾画的图像(图6c)非常符合。从三维整体效果图来看，模型预测的血栓结果(图6d)也与真实勾画结果(图6e)一致。在颅内深静脉血栓BTI图像的分割中，本申请提出的方法平均 DSC为0.74，平均AVD为0.17，平均AHD(mm)为3.1,反映出本申请的三维分割模型的血栓分割效果较好。从附图7中可以看到，图7a为采集的原始图片，模型预测的血栓结果不仅是在冠状位(图7b)还在三维展示(图7d)效果上都与真实勾画结果(图7c、图7e)符合。因此，医务人员基于本申请建立的模型预测的血栓结果以及后续基于分割的数值计算，就能获得血栓的位置分布、血栓信号强度以及血栓体积大小等信息，满足目前紧张的临床需求。
表1BTI图像上深静脉血栓区域的模型分割结果
综上，本申请采用基于深度学习的图像分割方法去实现BTI图像上深静脉血栓的精准分割，通过构建的三维生成器不仅能提取扫描图像切片内的血栓信息更能获得血栓空间结构的信息，再引入三维鉴别器来严格约束分割结果，避免将器官或者临近组织分割为血栓的错误，而在模型训练过程中则是引入了模型自动调参方法，减少了人工优化模型效果的负担。本申请不仅实现了 BTI图像上深静脉血栓区域的自动分割，而且与现有技术相比，它能实现更加精准的血栓区域分割，避免了一些错误分割，减少了人工优化网络模型的步骤，使得在很少人工参与的情况下就能实现模型预测结果与医生手动勾画血栓区域的高度一致，大大降低了临床医生诊断DVT的劳动成本，也提升了对该类疾病诊断的效率。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，例如本申请网络模型的三层三维鉴别器可替换为其他网络层数的鉴别器，网络的GAN损失函数可以由其他种类的损失函数代替，且本申请不仅仅是用于分割深静脉血栓图像，对于处理这一系列血管疾病的病灶分割问题都有很好的应用场景，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种深静脉血栓的磁共振图像分割方法，其特征在于，包括：
获取深静脉血栓磁共振图像，并对所述深静脉血栓磁共振图像进行预处理；
对所述预处理的深静脉血栓磁共振图像进行三维图像分割，所述三维图像分割包括生成阶段和鉴别阶段；
所述生成阶段包括编码和解码，所述编码对所述预处理的深静脉血栓磁共振图像进行卷积运算，所述解码对所述编码结果进行反卷积和跳连接运算，所述编码和所述解码提取所述深静脉血栓磁共振图像切片内的特征信号与切片间的空间位置信息，产生初步分割结果；
预先建立生成对抗网络，所述鉴别阶段是将所述初步分割结果与人工勾画结果输入到所述生成对抗网络中进行网络训练，直到使得所述生成对抗网络的模型收敛而获得最后分割结果。
2.如权利要求1所述的方法，其特征在于，还包括：
所述编码过程中采用3×3×3卷积核，所述解码过程是3×3×3卷积核和1×1×1的卷积核叠加。
3.如权利要求2所述的方法，其特征在于，还包括：
在所述生成阶段中，将所述初步分割结果的像素与所述人工勾画结果的像素输入到预设的特征提取损失函数中，所述损失函数的公式如下所示：
其中，LGenerator代表所述生成阶段的损失函数，x为所述生成阶段的初步血栓分割结果，xi代表初步分割结果的第i个像素，y代表人工勾画的血栓，yi代表对应的人工勾画结果的第i个像素，log代表对数运算，N是像素的个数；
在所述鉴别阶段中，所述生成对抗网络的公式如下表示：
其中，MSE代表均方误差，E代表数学期望，G代表生成阶段，D代表鉴别阶段，θG和θD代表来自生成阶段以及鉴别阶段的图像元素。
4.如权利要求1至3之一所述的方法，其特征在于，还包括：
所述鉴别阶段包括至少三层卷积模块，所述卷积模块中的每一层提取所述初步分割结果和所述人工勾画结果的特征进行比较，并输出判断结果。
5.一种深静脉血栓的磁共振图像分割装置，其特征在于，包括：
图像采集装置，所述图像采集装置获取深静脉血栓磁共振图像；
图像预处理装置，所述图像预处理装置对所述深静脉血栓磁共振图像进行预处理；
分割处理模块，所述分割处理模块对所述预处理后的深静脉血栓磁共振图像进行三维图像分割；所诉分割处理模块还包括生成器和鉴别器；
所述生成器包括编码模块和解码模块，所述编码模块对所述预处理的深静脉血栓磁共振图像进行卷积运算，所述解码模块对所述编码模块结果进行反卷积和跳连接运算，经过所述编码模块和所述解码模块处理后提取所述深静脉血栓磁共振图像切片内的特征信号与切片间的空间位置信息，产生初步分割结果；
所述鉴别器包括预先建立生成对抗网络，所述鉴别器是将所述初步分割结果与人工勾画结果输入到所述生成对抗网络中，对所述生成对抗网络进行训练，直到使得所述生成对抗网络的模型收敛而获得最后分割结果。
6.如权利要求5所述的装置，其特征在于，还包括：
所述编码模块被配置为3×3×3卷积核，所述解码模块被配置为3×3×3卷积核和1×1×1的卷积核叠加。
7.如权利要求6所述的装置，其特征在于，还包括：
所述生成器配置为将所述初步分割结果的像素与所述人工勾画结果的像素输入到预设的特征提取损失函数中，所述损失函数的公式如下所示：
其中，LGenerator代表所述生成阶段的损失函数，x为所述生成阶段的初步血栓分割结果，xi代表初步分割结果的第i个像素，y代表人工勾画的血栓，yi代表对应的人工勾画结果的第i个像素，log代表对数运算，N是像素的个数；
所述鉴定器配置为进行所述生成对抗网络训练，所述生成对抗网络模型的公式如下表示：
其中，MSE代表均方误差，E代表数学期望，G代表生成阶段，D代表鉴别阶段，θG和θD代表来自生成阶段以及鉴别阶段的图像元素。
8.如权利要求5至6之一所述的装置，其特征在于，还包括：
所述鉴别器配置为包括至少三层卷积模块，所述卷积模块中的每一层提取所述初步分割结果和所述人工勾画结果的特征进行比较，并输出判断结果。
9.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于
执行上述权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110527490.0A CN113538451B (zh) | 2021-05-14 | 2021-05-14 | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110527490.0A CN113538451B (zh) | 2021-05-14 | 2021-05-14 | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538451A true CN113538451A (zh) | 2021-10-22 |
| CN113538451B CN113538451B (zh) | 2024-03-26 |
Family
ID=78095376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110527490.0A Active CN113538451B (zh) | 2021-05-14 | 2021-05-14 | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538451B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
| CN110942466A (zh) * | 2019-11-22 | 2020-03-31 | 北京灵医灵科技有限公司 | 一种基于深度学习技术的脑动脉分割方法及装置 |
| CN110993065A (zh) * | 2019-11-19 | 2020-04-10 | 浙江工业大学 | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 |
| CN111127447A (zh) * | 2019-12-26 | 2020-05-08 | 河南工业大学 | 基于生成式对抗网络的血管分割网络及方法 |
| CN111260055A (zh) * | 2020-01-13 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
| CN111476796A (zh) * | 2020-03-10 | 2020-07-31 | 西北大学 | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 |
| CN111754452A (zh) * | 2020-05-09 | 2020-10-09 | 广州市番禺区中心医院 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
| CN112150524A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和系统 |
-
2021
- 2021-05-14 CN CN202110527490.0A patent/CN113538451B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
| CN110993065A (zh) * | 2019-11-19 | 2020-04-10 | 浙江工业大学 | 一种基于图像引导的脑肿瘤锁孔手术路径规划方法 |
| CN110942466A (zh) * | 2019-11-22 | 2020-03-31 | 北京灵医灵科技有限公司 | 一种基于深度学习技术的脑动脉分割方法及装置 |
| CN111127447A (zh) * | 2019-12-26 | 2020-05-08 | 河南工业大学 | 基于生成式对抗网络的血管分割网络及方法 |
| CN111260055A (zh) * | 2020-01-13 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
| CN111476796A (zh) * | 2020-03-10 | 2020-07-31 | 西北大学 | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 |
| CN111754452A (zh) * | 2020-05-09 | 2020-10-09 | 广州市番禺区中心医院 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
| CN112150524A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538451B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
| CN110675406A (zh) | 基于残差双注意力深度网络的ct图像肾脏分割算法 | |
| CN109584254A (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
| CN110310287A (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| JP2023550844A (ja) | 深層形状学習に基づく肝臓ｃｔ自動分割方法 | |
| CN113781640A (zh) | 基于弱监督学习的三维人脸重建模型建立方法及其应用 | |
| CN114266939B (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
| CN114972362A (zh) | 一种基于RMAU-Net网络的医学图像自动分割方法与系统 | |
| CN116188452A (zh) | 医学图像层间插值及三维重建方法 | |
| CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
| CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
| CN114387282A (zh) | 一种医学影像器官精准自动分割方法及系统 | |
| CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
| CN111798463A (zh) | 一种头颈部ct图像中多器官自动分割方法 | |
| CN115908451A (zh) | 一种结合多视图几何及迁移学习的心脏ct影像分割方法 | |
| CN108596900B (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
| CN113538451B (zh) | 一种深静脉血栓的磁共振图像分割方法及装置，电子设备及存储介质 | |
| CN115841457A (zh) | 一种融合多视图信息的三维医学图像分割方法 | |
| Zhou et al. | Automatic segmentation algorithm of femur and tibia based on Vnet-C network | |
| CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
| CN113205472A (zh) | 基于循环生成对抗网络CycleGAN模型的跨模态MR影像互生成方法 | |
| CN115619810B (zh) | 一种前列腺分区分割方法、系统及设备 | |
| CN113614788A (zh) | 计算机辅助读取和分析的深度强化学习 | |
| CN115810015B (zh) | 基于深度学习的膝关节自动分割方法、系统、介质及设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230423 Address after: 916, Block 1B, Zongke Yunduan, West Ring Road, Dexing Community, Buji Street, Longgang District, Shenzhen City, Guangdong Province, 510800 Applicant after: Shenzhen Qingyun Zhitu Medical Technology Co.,Ltd. Address before: No. 195, Dongfeng West Road, Yuexiu District, Guangzhou, Guangdong 510180 Applicant before: GUANGZHOU MEDICAL University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |