CN114494199A - 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 - Google Patents
一种基于深度学习的肝脏ct肿瘤分割与分类的方法 Download PDFInfo
- Publication number
- CN114494199A CN114494199A CN202210097854.0A CN202210097854A CN114494199A CN 114494199 A CN114494199 A CN 114494199A CN 202210097854 A CN202210097854 A CN 202210097854A CN 114494199 A CN114494199 A CN 114494199A
- Authority
- CN
- China
- Prior art keywords
- liver
- deep learning
- net
- segmentation
- tumor
- 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.)
- Withdrawn
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 210000004185 liver Anatomy 0.000 title claims abstract description 28
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 208000014018 liver neoplasm Diseases 0.000 abstract description 29
- 201000007270 liver cancer Diseases 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000012216 screening Methods 0.000 abstract description 4
- 206010019695 Hepatic neoplasm Diseases 0.000 description 18
- 238000002591 computed tomography Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000010801 machine learning 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
- G06T7/0002—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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T2207/30—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的肝脏CT肿瘤分割与分类的方法,包括如下步骤:对肝脏CT图像进行预处理,按照X,Y方向的分辨率进行插值,进行重采样,寻找数据,构建训练数据,2D Dense U‑Net进行肝脏和肿瘤分割,3DDense U‑Net提取对应的三维特征,组成生成对抗网络。本发明属于肝脏CT肿瘤分割与分类方法技术领域,具体是指一种利用深度学习技术,可以辅助医生进行肝癌的早期筛查和诊断,能够大大减轻医生的工作量,提高肝癌诊断的准确率,具有非常大的应用前景的基于深度学习的肝脏CT肿瘤分割与分类的方法。
Description
技术领域
本发明属于肝脏CT肿瘤分割与分类方法技术领域,具体是指一种基于深度学习的肝脏CT肿瘤分割与分类的方法。
背景技术
在世界范围内,肝癌的发病率高居第六,致死率位列第四。肝癌早期症状不易察觉,每当患者出现临床症状,往往已经达到了肝癌的中晚期,这就导致治愈几率大大降低。因此,肝脏肿瘤的早发现、早诊断、早治疗是肝脏肿瘤诊断治疗研究的重要课题之一。腹部计算机断层扫描(CT)是检测肝脏疾病的常用医学影像方法,在试剂临床工作中,主要通过专业的医生手工分割肝脏肿瘤,再根据临床经验对分割出来的肝脏肿瘤进行分类判断,不仅效率低,而且对医生的医学水平和临床经验要求很高。因此,本发明研究一种自动、快速、准确且适合临床应用的肝脏肿瘤CT图像分割与分类方法具有重要意义。现有技术的缺点:
1.肝脏区域以及肿瘤分割算法精度不高;
2.目前大部分研究都集中在肝脏以及肿瘤的分割上,并未有对分割出来的肿瘤进行分类。
专利CN202110049310.2,设计了一种基于深度学习的对肝脏肿瘤进行分割的方法,其与传统的图像分割算法、基于机器学习的分割算法进行对比,使用类似u-net的网络结构进行训练,解决了传统分割方法的时效性、通用性、和准确性,但是目前主流的分割方法都已使用深度学习方法,因此其方法缺少理论上的创新。专利CN202110493749.4,本发明提供一种基于深度学习的肝脏图像分割方法,通过利用粗分割神经网络和细分割神经网络对腹部CT图像进行处理,提高肝脏分割的效果,但是其得到最终分割结果需要经过两个不同的网络模型,中间得到的结果需要裁剪成图像块再输入下一级的网络,并不能端到端的得到最终的结果。本发明利用深度学习技术,对肝脏肿瘤部分就行分割,深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征,其肝脏肿瘤分割结果优于传统算法,因此,将深度学习用于肝脏肿瘤的图像处理中,可以辅助医生进行肝癌的早期筛查和诊断,能够大大减轻医生的工作量,提高肝癌诊断的准确率,具有非常大的应用前景。
发明内容
为了解决上述难题,本发明提供了一种利用深度学习技术,对肝脏肿瘤部分就行分割,深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征,其肝脏肿瘤分割结果优于传统算法,将深度学习用于肝脏肿瘤的图像处理中,可以辅助医生进行肝癌的早期筛查和诊断,能够大大减轻医生的工作量,提高肝癌诊断的准确率,具有非常大的应用前景的基于深度学习的肝脏CT肿瘤分割与分类的方法。
为了实现上述功能,本发明采取的技术方案如下:一种基于深度学习的肝脏CT肿瘤分割与分类的方法,包括如下步骤:
(一)对肝脏CT图像进行预处理,根据将原始CT图像截取到[-200,250],即Hu值小于-200的设置为-200,大于250的设置为250;
(二)在Z轴方向,按照X,Y方向的分辨率进行插值,进行重采样,统一X,Y,Z轴的分辨率;
(三)根据掩模图像寻找Xmin,Xmax,Ymin,Ymax,Zmin,Zmax,像在三维坐标中计算掩模的最小外接立方体;
(四)为丰富样本多样性,根据最小外接立方体,在Z轴上向上向下扩展15张,以此作为训练数据;
(五)为了充分提取高阶特征,首先使用了2D Dense U-Net,融合密集连接和U-Net连接的优点,2D Dense U-Net进行肝脏和肿瘤分割表示为:
X2d=f2d(I2d;θ2d),X2d∈R12n×224×224×64,
将2D Dense UNet的特征图转换为体积形状,如下:
X2d′=f2d(I2d;θ2d),X2d′∈R12n×224×224×64,
(六)通过3DDense U-Net提取对应的三维特征,将步骤(四)得到的三维数据,每次输入训练时在Z轴上随机选择64张输入进行训练,联合优化混合特征融合层中的混合特征,将3DDense U-Net
然后再HHF层联合学习和优化混合特征,
(七)为了得到更好的分割效果,把U-Net网络分割结果的作为生成器G,选择性能较优的鉴别企D,组成生成对抗网络,在U-Net网络的基础上通过批量鉴别器不断加强鉴伪能力,进一步提升肿瘤分割的精度。传统的GAN神经网络中存在一些问题,例如模式坍塌,即只模仿真实肝脏肿瘤分割图片的一部分特征,然而WGAN神经网络通过使用Wassersteindistance,即一种新的目标函数,克服了这些问题,Wasserstein distance极小极大化了生成器G和鉴别器D之间的运算,公式如下:
进一步地,所述步骤(六)中Z表示混合特征,分别来自2D和3D网络的切片内和切片间特征的总和。
本发明采取上述结构取得有益效果如下:本发明提供的一种基于深度学习的肝脏CT肿瘤分割与分类的方法,利用深度学习技术,对肝脏肿瘤部分就行分割,深度学习算法能够利用大量训练样本有效学习肝脏肿瘤的图像特征,其肝脏肿瘤分割结果优于传统算法,将深度学习用于肝脏肿瘤的图像处理中,可以辅助医生进行肝癌的早期筛查和诊断,能够大大减轻医生的工作量,提高肝癌诊断的准确率,传统的GAN神经网络中存在一些问题,例如模式坍塌,即只模仿真实肝脏肿瘤分割图片的一部分特征,然而WGAN神经网络通过使用Wasserstein distance,即一种新的目标函数,克服了这些问题。Wasserstein distance极小极大化了生成器G和鉴别器D之间的运算,具有非常大的应用前景。
附图说明
图1为本发明一种基于深度学习的肝脏CT肿瘤分割与分类的方法的系统流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例1
本发明一种基于深度学习的肝脏CT肿瘤分割与分类的方法,包括如下步骤:
(一)对肝脏CT图像进行预处理,根据将原始CT图像截取到[-200,250],即Hu值小于-200的设置为-200,大于250的设置为250;
(二)在Z轴方向,按照X,Y方向的分辨率进行插值,进行重采样,统一X,Y,Z轴的分辨率;
(三)根据掩模图像寻找Xmin,Xmax,Ymin,Ymax,Zmin,Zmax,像在三维坐标中计算掩模的最小外接立方体;
(四)为丰富样本多样性,根据最小外接立方体,在Z轴上向上向下扩展15张,以此作为训练数据;
(五)为了充分提取高阶特征,首先使用了2D Dense U-Net,2D DenseU-Net进行肝脏和肿瘤分割表示为:
X2d=f2d(I2d;θ2d),X2d∈R12n×224×224×64,
其中I∈Rn×224×224×12×1表示输入训练样本(对于224×224×12个输入卷),n表示批次大小输入训练样本,其中X2d来自上采样层, 是输入I2d的相应像素概率将2D Dense UNet的特征图转换为体积形状,如下:
X2d′=f2d(I2d;θ2d),X2d′∈R12n×224×224×64,
(六)通过3DDense U-Net提取对应的三维特征,将步骤(四)得到的三维数据,每次输入训练时在Z轴上随机选择64张输入进行训练,联合优化混合特征融合层中的混合特征,将3DDense U-Net通过原始体积I与来自2D网络的信息连接起来,提取三维特征,3DDense U-Net被描述为:
中Z表示混合特征,分别来自2D和3D网络的切片内和切片间特征的总和,然后再HHF层联合学习和优化混合特征,
(七)为了得到更好的分割效果,把U-Net网络分割结果的作为生成器G,选择性能较优的鉴别企D,组成生成对抗网络,公式如下:
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (4)
1.一种基于深度学习的肝脏CT肿瘤分割与分类的方法,其特征在于,包括如下步骤:
(一)对肝脏CT图像进行预处理,根据将原始CT图像截取到[-200,250],即Hu值小于-200的设置为-200,大于250的设置为250;
(二)在Z轴方向,按照X,Y方向的分辨率进行插值,进行重采样,统一X,Y,Z轴的分辨率;
(三)根据掩模图像寻找Xmin,Xmax,Ymin,Ymax,Zmin,Zmax,像在三维坐标中计算掩模的最小外接立方体;
(四)为丰富样本多样性,根据最小外接立方体,在Z轴上向上向下扩展15张,以此作为训练数据;
(五)为了充分提取高阶特征,首先使用了2D Dense U-Net,2D DenseU-Net进行肝脏和肿瘤分割表示为:
X2d=f2d(I2d;θ2d),X2d∈R12n×224×224×64,
将2D Dense UNet的特征图转换为体积形状,如下:
X2d′=f2d(I2d;θ2d),X2d′∈R12n×224×224×64,
(六)通过3DDense U-Net提取对应的三维特征,将步骤(四)得到的三维数据,每次输入训练时在Z轴上随机选择64张输入进行训练,联合优化混合特征融合层中的混合特征,将3DDense U-Net通过原始体积I与来自2D网络的信息连接起来,提取三维特征,3DDense U-Net被描述为:
然后再HHF层联合学习和优化混合特征,
(七)为了得到更好的分割效果,把U-Net网络分割结果的作为生成器G,选择性能较优的鉴别企D,组成生成对抗网络,公式如下:
3.根据权利要求1所述的一种基于深度学习的肝脏CT肿瘤分割与分类的方法,其特征在于:所述步骤(六)中Z表示混合特征,分别来自2D和3D网络的切片内和切片间特征的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097854.0A CN114494199A (zh) | 2022-01-27 | 2022-01-27 | 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097854.0A CN114494199A (zh) | 2022-01-27 | 2022-01-27 | 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494199A true CN114494199A (zh) | 2022-05-13 |
Family
ID=81476064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210097854.0A Withdrawn CN114494199A (zh) | 2022-01-27 | 2022-01-27 | 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494199A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578404A (zh) * | 2022-11-14 | 2023-01-06 | 南昌航空大学 | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 |
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
CN116503672A (zh) * | 2023-06-26 | 2023-07-28 | 首都医科大学附属北京佑安医院 | 一种肝脏肿瘤分类方法、系统及存储介质 |
-
2022
- 2022-01-27 CN CN202210097854.0A patent/CN114494199A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578404A (zh) * | 2022-11-14 | 2023-01-06 | 南昌航空大学 | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 |
CN115578404B (zh) * | 2022-11-14 | 2023-03-31 | 南昌航空大学 | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 |
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
CN116503672A (zh) * | 2023-06-26 | 2023-07-28 | 首都医科大学附属北京佑安医院 | 一种肝脏肿瘤分类方法、系统及存储介质 |
CN116503672B (zh) * | 2023-06-26 | 2023-08-25 | 首都医科大学附属北京佑安医院 | 一种肝脏肿瘤分类方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
CN114494199A (zh) | 一种基于深度学习的肝脏ct肿瘤分割与分类的方法 | |
CN111583204B (zh) | 基于网络模型的二维序列磁共振图像的器官定位方法 | |
CN110458249A (zh) | 一种基于深度学习与概率影像组学的病灶分类系统 | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN109063753A (zh) | 一种基于卷积神经网络的三维点云模型分类方法 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN108364294A (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
CN107945179A (zh) | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 | |
CN112001218B (zh) | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 | |
Bartesaghi et al. | An energy-based three-dimensional segmentation approach for the quantitative interpretation of electron tomograms | |
CN108010013A (zh) | 一种肺ct图像肺结节检测方法 | |
CN112907602B (zh) | 一种基于改进k-近邻算法的三维场景点云分割方法 | |
CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN107133913A (zh) | 一种自动矫直的图像拼接方法 | |
Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
CN111667491B (zh) | 基于深度对抗网络的带边界标注信息乳腺肿块图生成方法 | |
CN112215847B (zh) | 基于对抗学习多尺度特征的重叠染色体自动分割方法 | |
CN111415728A (zh) | 基于cnn和gan的ct图像数据自动分类方法及设备 | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
CN111524140A (zh) | 基于cnn和随机森林法的医学图像语义分割方法 | |
Haiying et al. | False-positive reduction of pulmonary nodule detection based on deformable convolutional neural networks | |
CN110188811A (zh) | 基于赋范梯度特征与卷积神经网络的水下目标检测方法 | |
CN113435481A (zh) | 一种基于生成对抗网络的肝脏肿瘤图像增广方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220513 |