CN114240956A - 一种肺部ct影像管状结构分割方法、装置、电子设备 - Google Patents

一种肺部ct影像管状结构分割方法、装置、电子设备 Download PDF

Info

Publication number
CN114240956A
CN114240956A CN202111588069.7A CN202111588069A CN114240956A CN 114240956 A CN114240956 A CN 114240956A CN 202111588069 A CN202111588069 A CN 202111588069A CN 114240956 A CN114240956 A CN 114240956A
Authority
CN
China
Prior art keywords
image
loss function
lung
neural network
tubular structure
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
CN202111588069.7A
Other languages
English (en)
Inventor
罗立刚
张伯羽
侯波林
罗祥凤
高光明
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.)
Zero Krypton Technology Tianjin Co ltd
Original Assignee
Zero Krypton Technology Tianjin Co ltd
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 Zero Krypton Technology Tianjin Co ltd filed Critical Zero Krypton Technology Tianjin Co ltd
Priority to CN202111588069.7A priority Critical patent/CN114240956A/zh
Publication of CN114240956A publication Critical patent/CN114240956A/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
    • G06T7/10—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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

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

本申请实施例提供一种肺部CT影像管状结构分割方法、装置、电子设备及存储介质，其中，该方法包括：获取肺部CT影像；对肺部CT影像中的管状结构进行标注，得到标注影像；将标注影像进行预处理，得到切分图像；根据切分图像和3D U‑net神经网络，得到预测图像和预测神经网络；根据预测图像和标注影像得到损失函数；根据损失函数和预测神经网络获得管状结构分割神经网络；将待分割肺部CT影像输入管状结构分割神经网络，得到分割图像。实施本申请实施例，使得分割后的管状结构更加准确、清晰，提高了分割准确率和分割速度。

Description

一种肺部CT影像管状结构分割方法、装置、电子设备
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种肺部CT影像管状结构分割方法、装置、电子设备及计算机可读存储介质。
背景技术
在多种肺部手术中，为了最大程度保留肺部功能，通常会进行肺段切除术和楔形切除术等微创手术，为了评估需要在术中切除的肺段范围，通常在术前需要进行肺段的识别重建，而识别分段的主要依据就是肺支气管和肺动静脉。
由于肺部的肺支气管和肺动静脉结构复杂且精细，使用传统的图像处理方法难以精确定位并识别肺部细小的管状结构，经常会出现识别错误或者识别不准确的情况，耗费大量的时间成本。
发明内容
本申请实施例的目的在于提供一种肺部计算机X线断层扫描(ComputedTomography，CT)影像管状结构分割方法、装置、电子设备及计算机可读存储介质，使得分割后的管状结构更加准确、清晰，提高了分割准确率和分割速度。
第一方面，本申请实施例提供了一种肺部CT影像管状结构分割方法，所述方法包括：
获取肺部CT影像；
对所述肺部CT影像中的管状结构进行标注，得到标注影像；
将所述标注影像进行预处理，得到切分图像；
根据所述切分图像和3D U-net神经网络，得到预测图像和预测神经网络；
根据所述预测图像和所述标注影像得到损失函数；
根据所述损失函数和所述预测神经网络获得管状结构分割神经网络；
将待分割肺部CT影像输入所述管状结构分割神经网络，得到分割图像。
在上述实现过程中，通过对肺部CT影像进行标注、预处理，搭建3DU-net神经网络的方法，将肺部CT影像中的管状结构的特征进行分割，使得分割后的管状结构更加准确、清晰，提高了管状结构的分割准确率和分割速度。
进一步地，所述将所述标注影像进行预处理，得到切分图像的步骤，包括：
截取所述标注影像中的肺内影像；
对所述肺内影像进行灰度处理，得到灰度处理后的肺内影像；
将所述灰度处理后的肺内影像进行切分处理，得到所述切分图像。
在上述实现过程中，对标注影像中的肺内影像进行截取，使得分割范围可以更加精确，并且可以降低处理肺内影像所需的计算内存，提高分割图像的准确率。
进一步地，所述根据所述切分图像和3D U-net神经网络，得到预测图像和预测神经网络的步骤，包括：
在上述实现过程中，将切分图像和多维矩阵作为输入数据输入到3DU-net神经网络，保证了输入数据的多维性，并且使得3D U-net神经网络可以获取到多个肺部管状结构的特征，提高预测图像的准确度。
进一步地，所述将所述切分图像和所述多维矩阵输入所述3D U-net神经网络，得到所述预测图像和所述预测神经网络的步骤，还包括：
将所述切分图像和所述多维矩阵输入所述3D U-net神经网络，得到初始预测图像；
删除所述初始预测图像中CT值大于-400的初始预测图像，得到所述预测图像。
在上述实现过程中，去掉CT值大于-400的初始预测图像可以保证预测图像的准确性，使得分割图像的准确率更高，并且可以减少计算时间，提高计算效率。
进一步地，所述根据所述预测图像和所述标注影像得到损失函数的步骤，包括：
根据所述预测图像和所述标注影像获得重合度损失函数；
根据所述预测图像和所述标注影像获得焦点损失函数；
根据所述重合度损失函数和所述焦点损失函数获得所述损失函数。
在上述实现过程中，搭建针对肺部CT影像的损失函数，并根据预测图像和标注影像获得损失函数，可以更加容易识别肺部管状结构的特征。
进一步地，根据以下公式根据所述预测图像和所述标注影像获得重合度损失函数：
Figure BDA0003428733500000031
其中，LDice为重合度损失函数，p为所述预测图像的标签，g为所述标注影像的标签。
在上述实现过程中，根据预测图像的标签和标注影像的标签获得重合度损失函数，可以针对性地提取预测图像和标注影像中的管状结构特征，使得后续的预测图像更加贴近真实图像。
进一步地，根据以下公式根据所述预测图像和所述标注影像获得焦点损失函数：
Figure BDA0003428733500000032
其中，LFocal为焦点损失函数，p为所述预测图像的标签，g为所述标注影像的标签，α为常数，γ为常数。
在上述实现过程中，根据预测图像的标签和标注影像的标签获得焦点损失函数，可以针对性地提取预测图像和标注影像中的管状结构特征，使得后续的预测图像更加贴近真实图像
进一步地，根据以下公式根据所述重合度损失函数和所述焦点损失函数获得所述损失函数：
Lseg＝LDice+LFocal；
其中，Lseg为损失函数，LDice为重合度损失函数，LFocal为焦点损失函数。
在上述实现过程中，损失函数可以判断神经网络中数据的相似度，并且加强神经网络对于输入的数据的关注度，使得管状结构的特征不易丢失，保证结果的真实性和有效性。
第二方面，本申请实施例还提供了一种肺部CT影像管状结构分割装置，所述装置包括：
获取模块，用于获取肺部CT影像；
标注模块，用于对所述肺部CT影像中的管状结构进行标注，得到标注影像；
预处理模块，用于将所述标注影像进行预处理，得到切分图像；
预测模块，用于根据所述切分图像和3D U-net神经网络，得到预测图像和预测神经网络；
损失函数获得模块，用于根据所述预测图像和所述标注影像得到损失函数；
训练模块，由于根据所述损失函数和所述预测神经网络获得管状结构分割神经网络；
分割模块，用于将待分割肺部CT影像输入所述管状结构分割神经网络，得到分割图像。
在上述实现过程中，通过对肺部CT影像进行标注、预处理，并且搭建3D U-net神经网络的方法，将肺部CT影像中的管状结构的特征进行分割，使得分割后的管状结构更加准确、清晰，提高了管状结构的分割准确率和分割速度。
第三方面，本申请实施例提供的一种电子设备，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第一方面任一项所述的方法的步骤。
第四方面，本申请实施例提供的一种计算机可读存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的肺部CT影像管状结构分割方法的流程示意图；
图2为本申请实施例提供的肺部CT影像管状结构分割装置的结构组成示意图；
图3为本申请实施例提供的电子设备的结构组成示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
实施例一
图1是本申请实施例提供的肺部CT影像管状结构分割方法的流程示意图，如图1所示，该方法包括：
S1，获取肺部CT影像；
S2，对肺部CT影像中的管状结构进行标注，得到标注影像；
S3，将标注影像进行预处理，得到切分图像；
S4，根据切分图像和3D U-net神经网络，得到预测图像和预测神经网络；
S5，根据预测图像和标注影像得到损失函数；
S6，根据损失函数和预测神经网络获得管状结构分割神经网络；
S7，将待分割肺部CT影像输入管状结构分割神经网络，得到分割图像。
在上述实现过程中，通过对肺部CT影像进行标注、预处理，并且搭建3D U-net神经网络的方法，将肺部CT影像中的管状结构的特征进行分割，使得分割后的管状结构更加准确、清晰，提高了管状结构的分割准确率和分割速度。
在S2中，收集肺部CT影像，同时标注影像中的管状结构，管状结构主要包括支气管和动静脉血管，以形成数据标签。本申请实施例中采取的肺部CT影像的窗宽为1400，窗位为300。
进一步地，S3包括：
截取标注影像中的肺内影像；
对肺内影像进行灰度处理，得到灰度处理后的肺内影像；
将灰度处理后的肺内影像进行切分处理，得到切分图像。
示例性地，为了减少背景区域带来的干扰，截取肺部CT影像中的肺内影像。通过调整肺内影像的灰度范围以削弱影像中一些其它组织带来的影像，同时使得肺内管状结构和其他组织有一定的对比度，将肺内影像归一化到灰度范围(0～255)。将肺内影像切分成64*176*176的小尺寸图像。
在上述实现过程中，对标注影像中的肺内影像进行截取，使得分割范围可以更加精确，并且可以降低处理肺内影像所需的计算内存，提高分割图像的准确率。
进一步地，在获取肺部CT影像的步骤之前，还包括：搭建3D U-net神经网络：
搭建卷积层；
构建损失函数。
神经网络的编码部分的每个卷积层包含3*3*3的卷积、InstanceNorm3d归一化、ReLU激活函数、Project&Excite Block、池化层。
本实施例使用InstanceNorm3d归一化方法。在一个通道内做归一化，算D*H*W的均值(其中，D为深度值，H为高度值，W为宽度值)。可以加速模型收敛，并且保持每个图像之间的独立。激活函数使用ReLU激活函数，该激活函数可有效解决传统激活函数有效区过窄、反向传播中梯度消失和梯度爆炸等问题，使用范围较广泛。
本实施例在卷积层中添加了Project&Excite(PE)模块。该模块首先沿着每条轴线投影特征映射，得到三个形状分别为D×1×1×C、1×H×1×C和1×1×W×C的特征映射(其中，C为通道)，然后将其展开并相加在一起，最后得到一个形状为D×H×W×C的注意力映射。PE块与通道注意力机制更加相关，它给每个通道分配一个体素级别的注意力系数。帮助神经网络把重要的特征信息学习到，提高模型泛化能力。
在上述实现过程中，搭建针对肺部CT影像的3D U-net神经网络，并根据肺部CT影像的特点搭建卷积层和损失函数使得3D U-net神经网络的准确性更高，且更加容易识别肺部管状结构的特征。
进一步地，S4包括：
根据切分图像获得多维矩阵；
将切分图像和多维矩阵输入3D U-net神经网络，得到预测图像，并获得预测神经网络。
同时根据切分图像生成含有切分图像的每一个像素在切分图像中坐标信息的多维矩阵(coord)，并添加注意力机制，用于捕捉方向信息和位置信息。切分图像的各个维度分别代表切分图像的批量大小、切分图像的通道数、切分图像的层数、切分图像的高度、切分图像的宽度，多维矩阵的各个维度分别代表空间维度、多维矩阵的层数、多维矩阵的高度、多维矩阵的宽度。
在上述实现过程中，将切分图像和多维矩阵作为输入数据输入到3DU-net神经网络，保证了输入数据的多维性，并且使得3D U-net神经网络可以获取到多个肺部管状结构的特征，提高预测图像的准确度。
进一步地，将切分图像和多维矩阵输入3D U-net神经网络，得到预测图像的步骤，包括包括：
将切分图像和多维矩阵输入3D U-net神经网络，得到初始预测图像；
删除初始预测图像中CT值大于-400的初始预测图像，得到预测图像。
输出结果分为背景和肺部管状结构，根据需求设置输出通道。如在肺支气管分割任务中，若输入的切分图像的尺寸为[1，1，64，176，176]，则输出结果为[1，2，64，176，176]，其中输出的第一个通道为背景概率值，第二个通道为肺支气管概率值，选择最大的概率作为该像素的类别。
CT值是亨氏单位，用于定量衡量对X光的吸收率的单位。
在上述实现过程中，去掉CT值大于-400的初始预测图像可以保证预测图像的准确性，移除一些错误的气管壁和血管壁预测，然后保留三维最大连通域，最后根据肺内影像将处理好的预测图像还原到肺内影像上，使得分割图像的准确率更高，并且可以减少计算时间，提高计算效率。
进一步地，S5包括：
根据预测图像和标注影像获得重合度损失函数；
根据预测图像和标注影像获得焦点损失函数；
根据重合度损失函数和焦点损失函数获得损失函数。
其中，获得重合度损失函数的公式为：
Lseg＝LDice+LFocal；
其中，Lseg为损失函数，LDice为重合度损失函数，LFocal为焦点损失函数。
具体地，重合度损失函数的公式为：
Figure BDA0003428733500000091
其中，LDice为重合度损失函数，p为预测图像的标签，g为标注影像的标签。
具体地，焦点损失函数的公式为：
Figure BDA0003428733500000101
其中，LFocal为焦点损失函数，p为预测图像的标签，g为标注影像的标签，α为常数，γ为常数。
在上述实现过程中，损失函数可以判断神经网络中数据的相似度，并且加强神经网络对于输入的数据的关注度，使得管状结构的特征不易丢失，保证结果的真实性和有效性。
进一步地，在S6中，将损失函数回传到预测神经网络中进行训练，得到训练好的管状结构分割神经网络，后续使用时，只需要将待分割肺部CT影像，即经过预处理的待分割的肺部CT影像输入管状结构分割神经网络中，即可得到管状结构的分割图像。
在上述实现过程中，将筛选预测图像和肺内影像进行合并处理，可以有效地还原肺部管状结构的真实性，使得分割图像更具有参考价值。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种肺部CT影像管状结构分割装置，如图2所示，该装置包括：
获取模块1，用于获取肺部CT影像；
标注模块2，用于对肺部CT影像中的管状结构进行标注，得到标注影像；
预处理模块3，用于将标注影像进行预处理，得到切分图像；
预测模块4，用于根据切分图像和3D U-net神经网络，得到预测图像和预测神经网络；
损失函数获得模块5，用于根据预测图像和标注影像得到损失函数；
训练模块6，由于根据损失函数和预测神经网络获得管状结构分割神经网络；
分割模块7，用于将待分割肺部CT影像输入管状结构分割神经网络，得到分割图像。
在上述实现过程中，通过对肺部CT影像进行标注、预处理，并且搭建3D U-net神经网络的方法，将肺部CT影像中的管状结构的特征进行分割，使得分割后的管状结构更加准确、清晰，提高了管状结构的分割准确率和分割速度。
进一步地，预处理模块3还用于：
截取标注影像中的肺内影像；
对肺内影像进行灰度处理，得到灰度处理后的肺内影像；
将灰度处理后的肺内影像进行切分处理，得到切分图像。
进一步地，预测模块4还用于：
根据切分图像获得多维矩阵；
将切分图像和多维矩阵输入3D U-net神经网络，得到预测图像，并获得预测神经网络。
进一步地，预测模块4还用于：
将切分图像和多维矩阵输入3D U-net神经网络，得到初始预测图像；
删除初始预测图像中CT值大于-400的初始预测图像，得到预测图像。
进一步地，损失函数获得模块5还用于：
根据预测图像和标注影像获得重合度损失函数；
根据预测图像和标注影像获得焦点损失函数；
根据重合度损失函数和焦点损失函数获得损失函数。
进一步地，损失函数获得模块5还用于：
Figure BDA0003428733500000111
其中，LDice为重合度损失函数，p为预测图像的标签，g为标注影像的标签。
进一步地，损失函数获得模块5还用于：
Figure BDA0003428733500000121
其中，LFocal为焦点损失函数，p为预测图像的标签，g为标注影像的标签，α为常数，γ为常数。
进一步地，损失函数获得模块5还用于：
Lseg＝LDice+LFocal；
其中，Lseg为损失函数，LDice为重合度损失函数，LFocal为焦点损失函数。
上述的肺部CT影像管状结构分割装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例，这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容，在本实施例中，不再进行赘述。
实施例三
本申请实施例提供一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的肺部CT影像管状结构分割方法。
可选地，上述电子设备可以是服务器。
请参见图3，图3为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中，通信总线34用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器31可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器31也可以是任何常规的处理器等。
存储器33可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。存储器33中存储有计算机可读取指令，当计算机可读取指令由所述处理器31执行时，设备可以执行上述图1方法实施例涉及的各个步骤。
可选地，电子设备还可以包括存储控制器、输入输出单元。存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块，例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
另外，本申请实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的肺部CT影像管状结构分割方法。
本申请实施例还提供一种计算机程序产品，该计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种肺部CT影像管状结构分割方法，其特征在于，所述方法包括：
获取肺部CT影像；
对所述肺部CT影像中的管状结构进行标注，得到标注影像；
将所述标注影像进行预处理，得到切分图像；
根据所述切分图像和3D U-net神经网络，得到预测图像和预测神经网络；
根据所述预测图像和所述标注影像得到损失函数；
根据所述损失函数和所述预测神经网络获得管状结构分割神经网络；
将待分割肺部CT影像输入所述管状结构分割神经网络，得到分割图像。
2.根据权利要求1所述的肺部CT影像管状结构分割方法，其特征在于，所述将所述标注影像进行预处理，得到切分图像的步骤，包括：
截取所述标注影像中的肺内影像；
对所述肺内影像进行灰度处理，得到灰度处理后的肺内影像；
将所述灰度处理后的肺内影像进行切分处理，得到所述切分图像。
3.根据权利要求1所述的肺部CT影像管状结构分割方法，其特征在于，所述根据所述切分图像和3D U-net神经网络，得到预测图像和预测神经网络的步骤，包括：
根据所述切分图像获得多维矩阵；
将所述切分图像和所述多维矩阵输入所述3D U-net神经网络，得到所述预测图像，并获得预测神经网络。
4.根据权利要求3所述的肺部CT影像管状结构分割方法，其特征在于，所述将所述切分图像和所述多维矩阵输入所述3D U-net神经网络，得到所述预测图像的步骤，包括：
将所述切分图像和所述多维矩阵输入所述3D U-net神经网络，得到初始预测图像；
删除所述初始预测图像中CT值大于-400的初始预测图像，得到所述预测图像。
5.根据权利要求1所述的肺部CT影像管状结构分割方法，其特征在于，所述根据所述预测图像和所述标注影像得到损失函数的步骤，包括：
根据所述预测图像和所述标注影像获得重合度损失函数；
根据所述预测图像和所述标注影像获得焦点损失函数；
根据所述重合度损失函数和所述焦点损失函数获得所述损失函数。
6.根据权利要求5所述的肺部CT影像管状结构分割方法，其特征在于，根据以下公式根据所述预测图像和所述标注影像获得重合度损失函数：
Figure FDA0003428733490000021
其中，LDice为重合度损失函数，p为所述预测图像的标签，g为所述标注影像的标签。
7.根据权利要求5或6所述的肺部CT影像管状结构分割方法，其特征在于，根据以下公式根据所述预测图像和所述标注影像获得焦点损失函数：
Figure FDA0003428733490000022
其中，LFocal为焦点损失函数，p为所述预测图像的标签，g为所述标注影像的标签，α为常数，γ为常数。
8.根据权利要求7所述的肺部CT影像管状结构分割方法，其特征在于，根据以下公式根据所述重合度损失函数和所述焦点损失函数获得所述损失函数：
Lseg＝LDice+LFocal；
其中，Lseg为损失函数，LDice为所述重合度损失函数，LFocal为所述焦点损失函数。
9.一种肺部CT影像管状结构分割装置，其特征在于，所述装置包括：
获取模块，用于获取肺部CT影像；
标注模块，用于对所述肺部CT影像中的管状结构进行标注，得到标注影像；
预处理模块，用于将所述标注影像进行预处理，得到切分图像；
预测模块，用于根据所述切分图像和3D U-net神经网络，得到预测图像和预测神经网络；
损失函数获得模块，用于根据所述预测图像和所述标注影像得到损失函数；
训练模块，由于根据所述损失函数和所述预测神经网络获得管状结构分割神经网络；
分割模块，用于将待分割肺部CT影像输入所述管状结构分割神经网络，得到分割图像。
10.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的肺部CT影像管状结构分割方法。
CN202111588069.7A 2021-12-23 2021-12-23 一种肺部ct影像管状结构分割方法、装置、电子设备 Pending CN114240956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111588069.7A CN114240956A (zh) 2021-12-23 2021-12-23 一种肺部ct影像管状结构分割方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111588069.7A CN114240956A (zh) 2021-12-23 2021-12-23 一种肺部ct影像管状结构分割方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN114240956A true CN114240956A (zh) 2022-03-25

Family

ID=80761822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111588069.7A Pending CN114240956A (zh) 2021-12-23 2021-12-23 一种肺部ct影像管状结构分割方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN114240956A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913145A (zh) * 2022-05-09 2022-08-16 北京安德医智科技有限公司 一种图像分割方法、装置、电子设备和存储介质
CN115409856A (zh) * 2022-09-27 2022-11-29 北京医准智能科技有限公司 一种肺部医学图像处理方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913145A (zh) * 2022-05-09 2022-08-16 北京安德医智科技有限公司 一种图像分割方法、装置、电子设备和存储介质
CN115409856A (zh) * 2022-09-27 2022-11-29 北京医准智能科技有限公司 一种肺部医学图像处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
US10910099B2 (en) Segmentation, landmark detection and view classification using multi-task learning
Segal et al. Evaluating the clinical realism of synthetic chest x-rays generated using progressively growing gans
US9152926B2 (en) Systems, methods, and media for updating a classifier
CN114240956A (zh) 一种肺部ct影像管状结构分割方法、装置、电子设备
CN112070231A (zh) 用于机器学习性能测试和改进的数据分片
CN111461243B (zh) 分类方法、装置、电子设备及计算机可读存储介质
US20130070997A1 (en) Systems, methods, and media for on-line boosting of a classifier
US10706534B2 (en) Method and apparatus for classifying a data point in imaging data
Thian et al. Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study
US11935213B2 (en) Laparoscopic image smoke removal method based on generative adversarial network
US20200327661A1 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
US11887303B2 (en) Image processing model generation method, image processing method and device, and electronic device
CN113366499A (zh) 将群体描述符与经训练模型相关联
CN111489348B (zh) 一种磁性材料产品表面缺陷模拟方法及装置
Ma et al. Change detection in SAR images based on matrix factorisation and a Bayes classifier
Jones et al. Chest radiographs and machine learning–Past, present and future
Su et al. Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm
CN115439453A (zh) 一种脊椎椎体定位方法、装置、电子设备及存储介质
CN116524356A (zh) 一种矿石图像小样本目标检测方法及系统
Niebler et al. Automated detection and classification of synoptic-scale fronts from atmospheric data grids
CN113822846A (zh) 医学图像中确定感兴趣区域的方法、装置、设备及介质
JP6713422B2 (ja) 学習装置、イベント検出装置、学習方法、イベント検出方法、プログラム
CN115713750B (zh) 一种车道线检测方法、装置、电子设备及存储介质
CN112687079A (zh) 灾害预警方法、装置、设备及存储介质

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