CN114627129A - 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法 - Google Patents
一种用于非对齐多期ct的肝脏病灶分割的图像处理方法 Download PDFInfo
- Publication number
- CN114627129A CN114627129A CN202210141626.9A CN202210141626A CN114627129A CN 114627129 A CN114627129 A CN 114627129A CN 202210141626 A CN202210141626 A CN 202210141626A CN 114627129 A CN114627129 A CN 114627129A
- Authority
- CN
- China
- Prior art keywords
- feature
- stage
- phase
- stereo
- features
- 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
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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于非对齐多期CT的肝脏病灶分割的图像处理方法,首先利用3D区域对齐模块将多个期的CT对齐后得到多期特征,然后利用残差立体注意力模块从多期特征中提取出多期立体特征,从而实现多期上下文和立体上下文的结合。具体地,首先,利用CNN针对目标层CT及其多期立体上下文提取特征;然后,利用3D区域对齐模块将多期上下文对齐,产生多期特征;接着,利用残差立体注意力模块从多期特征中提取出多期立体特征;最后,利用解码器将多期立体特征还原为最终分割。本发明针对非对齐多期CT提取同时具有多期信息和立体信息的特征提高肝脏病灶分割的准确度。
Description
技术领域
本发明属于医疗图像分割及深度学习领域,尤其涉及一种用于非对齐多期CT的肝脏病灶分割的图像处理方法。
背景技术
多期上下文和立体上下文对基于CT图像的肝脏病灶分割是至关重要的。肝脏的病灶往往需要借助造影剂的增强,才能清晰准确地判断病灶的边界和种类。在注射造影剂之前,会先扫描腹部产生一个CT图像的序列,这一序列称之为平扫期(plain phase)。在注射造影剂之后,在两个特定的时间段内,造影剂会随着血液分别流过静脉和动脉,在这两个时间段内分别进行扫描,产生两个CT图像的序列:静脉期(arterial phase),动脉期(portalphase)。在实际操作中会由于病人的移动,呼吸,内脏运动和一些技术原因,导致图像内容在三个序列中并不是像素级对齐的。这给多期上下文和立体上下文的利用带来了困难。
针对多期上下文的结合,目前较为简单的方法是在输入阶段将多期图像直接拼接或者在提取特征之后将其特征拼接。如(C.Sun,S.Guo,H.Zhang,et al.,“Automaticsegmentation of liver tumors from multiphase contrast-enhanced CT imagesbased on FCNs,”in Artificial intelligence in medicine.2017,pp.58-66.)、(F.Ouhmich,V.Agnus,V.Noblet,et al.,“Liver tissue segmen-tation in multiphaseCT scans using cascaded convolutional neu-ral networks,”in Int J CARS14.2019,pp.1275–1284.Available:https://doi.org/10.1007/s11548-019-01989-z)、(R.Hasegawa,Y.Iwamoto,L.Lin,et al.,“Automatic Segmentation of Liver Tumor inMultiphase CT Images by Mask R-CNN,”in 2020IEEE 2nd Global Conference on LifeSciences and Technologies(LifeTech).2020,pp.231-234.Available:https://doi.org/10.1007/s11548-019-01989-z)、(J.Dolz,et al.,“HyperDense-Net:A Hyper-Densely Connected CNN for Multi-Modal Image Segmentation,”in IEEETransactions on Medical Imaging,vol.38,no.5,pp.1116-1126,May 2019,doi:10.1109/TMI.2018.2878669.)等。但是由于多期CT不对齐的问题,这种简单的拼接方法难以捕获到有效的多期信息。
另一种方法是利用注意力机制从一个期的特征中自动筛选有助于分割另一个期的信息。如(Y.Xu,M.Cai,L.Lin et al.,“PA-ResSeg:A phase attention residualnetwork for liver tumor segmentation from multiphase CT images.”in Med.Phys.,48(7),May 2021,p.3752-3766)、(X.Jiang et al.,“Multi-phase and Multi-levelSelective Feature Fusion for Automated Pancreas Segmentation from CT Images,”in Proc.Int.Conf.Med.Image Comput.Comput.Assist.Intervent.(MICCAI).Lima,Peru:Springer,2020,pp.460-469.)等。这类方法利用线性的结合方式将两个期的信息结合起来并生成注意力图,通过注意力图筛选出有用的跨期信息。但是,这类线性转换方法运用在非对齐CT上的时候,依旧会损失一部分多期上下文信息。
同时,上述模型在提取立体信息上采用3D卷积。3D卷积一方面会受到感受视野的限制,另一方面对CT的全局信息利用不够充分。
发明内容
本发明的目的在于针对现有技术的不足,提供一种用于非对齐多期CT的肝脏病灶分割的图像处理方法。
本发明的目的是通过以下技术方案来实现的:一种用于非对齐多期CT的肝脏病灶分割的图像处理方法,包括如下步骤:
(2)使用训练好的肝脏病灶分割模型,对预处理后的CT图像进行预测。
进一步地,所述步骤(2)包括如下子步骤:
(2.2)根据步骤(1.1)中得到的多个期的高级特征fp、fa和fv,使用3D区域对齐模块将多个期的高级特征对齐,并生成多期特征fm;
(2.3)使用残差立体注意力模块,从步骤(2.2)中生成的多期特征fm中,提取多期立体特fmv;
进一步地,所述步骤(2.2)如下包括子步骤:
(2.2.1)对于fa中的每一个特征点,利用非局部注意力,计算该特征点与平扫期特征中对应位置有限范围内像素的对齐关系,并利用该对齐关系生成fa与fp的跨期特征fm,p→a,同理生成fa与fv的跨期特征fm,v→a;
(2.2.2)结合步骤(2.2.1)中的跨期特征fm,p→a和fm,v→a,与步骤(2.2)中的多个期的高级特征fa,产生具有多期上下文信息的多期特征fm。
进一步地,所述步骤(2.3)包括如下子步骤:
(2.3.1)利用步骤(2.2.2)中的多期特征fm,使用全局层间注意力,计算全局层间特征fI;
(2.3.2)利用步骤(2.3.1)中的全局层间特征fI,使用空间注意力,计算空间特征fS;
本发明的有益效果是:本发明将多期上下文对齐之后并融合产生多期特征,并进一步从多期特征中提取立体特征。本发明通过3D区域对齐模块减缓了多期CT之间不对齐带来的影响。本发明弥补了市场上模型不能输出所有序列分割结果,不能适用于非对齐多期CT的缺陷。本发明能够同时兼顾到3D信息和多期信息,极大的提高了肝脏病灶的分割和分类性能。
附图说明
图1是非对齐多期CT的示例图;
图2是肝脏病灶分割模型的总体结构示意图;
图3是3D区域对齐模块示意图;
图4是残差立体模块示意图;
图5是本发明与其他现有模型的效果对比图。
具体实施方式
本发明一种用于非对齐多期CT的肝脏病灶分割的图像处理方法,提出了3D区域对齐模块和残差立体注意力模块。其中,如图1所示,由于某个期中的特征点只与其他期对应位置的有限范围的邻居特征点有对齐关系,因此,3D区域对齐模块利用非局部注意力,计算每个特征点的对齐关系,并利用该关系生成跨期特征,最后3D区域对齐模块将跨期特征和CT图像的原始特征整合起来产生多期特征;残差立体注意力模块在多期特征的基础上提取立体特征。残差立体注意力模块首先利用全局池化计算全局层间特征,然后利用全局层间特征增强空间注意力提取空间特征的能力。包括以下步骤:
(1)对待预测的CT图像及其平扫期上下文Xp∈RN×W×H、动脉期上下文Xa∈RN×W×H和静脉期上下文Xv∈RN×W×H,进行预处理,使其符合网络的输入要求。C、N、W、H表示输入的CT上下文的通道、长度、宽和高。
由于经过预训练的卷积神经网络(CNN)用作特征提取器时的输入图像为3通道,即输入的矩阵规格为(3,W,H),因此,在预测CT中的第i张CT图像时,会利用CT的第i-1和第i+1张CT图像,与第i张CT图像拼接在一起,组成(3,W,H)的矩阵。本发明中,为了使得模型能够捕捉到更加丰富的上下文信息,在预测第i张CT图像时,会使用其附近连续Z张CT图像作为输入辅助预测,N可以取1、3、5、7、9……(奇数)。由于本发明输入为多期医疗图像,故对所有序列都采取上述相同的操作。因此送入特征提取器的上下文Xp、Xa和Xv的输入规格为(N,3,W,H)。所有的上下文Xp、Xa和Xv经过特征提取器后,得到一个尺寸为(N,C,W/16,H/16)的上下文特征fp、fa与fv。预处理后目标层的CT图像经过特征提取器之后,得到一个尺寸为(C,W/16,H/16)的目标特征以及对应的低层级特征大小为(C/4,W/4,H/4)。公式化表示为:
fp=CNN(Xp)
ya=CNN(Xa)
fv=CNN(Xv)
(2.2)根据步骤(1.1)中得到的多个期的高级特征fp、fa和fv,使用3D区域对齐模块(3DLocal Fusion)将多个期的高级特征对齐,并生成多期特征fm;如图3所示,包括以下步骤:
(2.2.1)对于fa中的每一个特征点,利用非局部注意力,计算该特征点与平扫期特征中对应位置有限范围内的像素的对齐关系,并利用该对齐关系,生成fa与fp的跨期特征fm,p→a,同理生成fa与fv的跨期特征fm,v→a。
相同的操作运用到fa上的每一个特征点后得到平扫期与动脉期的跨期特征f′m,p→a∈RN×C×H×W,再将f′m,p→a与fp相加,得到跨期特征fm,p→a∈RN×C×H×W。
同理可得fm,v→a∈RN×C×H×W:
其中,为在动脉期特征fv上对应位置的有限范围内的邻居特征点,为与的对齐关系;相同的操作运用到fa上的每一个特征点后得到跨期特征f′m,v→a∈RN ×C×H×W,再将f′m,v→a与fv相加,得到跨期特征fm,v→a∈RN×C×H×W。
(2.2.2)结合步骤(2.2.1)中的跨期特征fm,p→a和fm,v→a,与步骤(2.2)中的高级特征fa,产生具有多期上下文信息的多期特征fm。
将fm,p→a、fm,v→a和fa拼接(concat)起来,并用一个核为1×1的2D卷积网络conv2d降低维度,其计算方式为:
fm=conv2d(concat(fm,p→a,fm,v→a,fa);Wm)
其中Wm是可学习参数。
(2.3)使用残差立体注意力模块(Residual Volumetric Attention),从步骤(2.2.2)生成的多期特征fm中,提取多期立体特fmv;如图4所示,包括以下步骤:
(2.3.1)利用步骤(2.2.2)中的多期特征fm,使用全局层间注意力,计算全局层间特征fI。
然后,利用全局池化操作提取QI和KI的全局特征,计算方式如下:
为了利用层与层之间的位置关系,本发明利用sine和cosine距离(GitHub-tatp22/multidim-positional-encoding:An implementation of 1D,2D,and 3Dpositional encoding in Pytorch and TensorFlow),生成一个1D位置编码p1∈RN×C。层间注意力权重αI∈RN×1的计算方式如下:
最后,全局层间特征fI∈RC×H×W的计算方式为:
其中,convblock由一个核为1×1的2D卷积网络、一个批归一化层(batchnormalization)和一个ReLU层组成。
(2.3.2)利用步骤(2.3.1)得到的全局层间特征fI,使用空间注意力,计算空间特征fS。
与(2.3.1)类似,首先使用核为1×1的2D卷积层conv2d生成f′I和fm的映射,计算方式如下:
为了利用空间上的位置关系,本发明利用sine和cosine距离生成了一个2D的位置编码p2∈RC×H×W。空间注意力的权重αS∈RN×HW×HW的计算方式如下:
空间特征fS的计算方式如下:
(2.3.3)使用残差链接,将步骤(2.3.2)中的fI′,与步骤(2.3.2)中的空间特征fS结合起来,得到同时具有多期上下文信息和立体上下文信息的多期立体特征fmv。
fmv=BN(f′I+fS)
(2.4)使用解码器,将步骤(2.3.3)中提取的多期立体特征fmv,与步骤(2.1)中的低层次特征相结合,并放大为原图大小(W,H),产生分割结果。该解码器可以直接采用Deeplab V3 plus的解码器(L.C.Chen,Y.Zhu,G.Papandreou et al.“Encoder-decoderwith atrous separable convolution for semantic image segmentation,”inProc.Int.Conf.Euro.Conf.on Comput.Vision.(ECCV).2018,pp.801-818.)。
本发明实施例在一台配备Intel Core i7-3770中央处理器,NVidia 3090图形处理器及128GB内存的机器上实现本发明的实施例,得到了如图5所示的实验结果。其中,a、b、c和d是四个病例中的一层,与nn-UNet和MMNet相比,本发明能够给出更加完整的分割结果和更加准确的肿瘤类别。综上,本发明充分的考虑了多期之间的上下文,不仅给出了较为完整的分割结果,也给出了正确的类别。
Claims (4)
2.根据权利要求1所述用于非对齐多期CT的肝脏病灶分割的图像处理方法,其特征在于,所述步骤(2)包括如下子步骤:
(2.2)根据步骤(1.1)中得到的多个期的高级特征fp、fa和fv,使用3D区域对齐模块将多个期的高级特征对齐,并生成多期特征fm;
(2.3)使用残差立体注意力模块,从步骤(2.2)中生成的多期特征fm中,提取多期立体特fmv;
3.根据权利要求2所述用于非对齐多期CT的肝脏病灶分割的图像处理方法,其特征在于,所述步骤(2.2)如下包括子步骤:
(2.2.1)对于fa中的每一个特征点,利用非局部注意力,计算该特征点与平扫期特征中对应位置有限范围内像素的对齐关系,并利用该对齐关系生成fa与fp的跨期特征fm,p→a,同理生成fa与fv的跨期特征fm,v→a;
(2.2.2)结合步骤(2.2.1)中的跨期特征fm,p→a和fm,v→a,与步骤(2.2)中的多个期的高级特征fa,产生具有多期上下文信息的多期特征fm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210141626.9A CN114627129A (zh) | 2022-02-16 | 2022-02-16 | 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210141626.9A CN114627129A (zh) | 2022-02-16 | 2022-02-16 | 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114627129A true CN114627129A (zh) | 2022-06-14 |
Family
ID=81897796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210141626.9A Pending CN114627129A (zh) | 2022-02-16 | 2022-02-16 | 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627129A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115166A (zh) * | 2023-10-24 | 2023-11-24 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
-
2022
- 2022-02-16 CN CN202210141626.9A patent/CN114627129A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115166A (zh) * | 2023-10-24 | 2023-11-24 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
CN117115166B (zh) * | 2023-10-24 | 2024-03-26 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Transunet: Transformers make strong encoders for medical image segmentation | |
CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
Zhang et al. | Deep exemplar-based video colorization | |
Zhou et al. | Cross-view enhancement network for underwater images | |
Hui et al. | Image fine-grained inpainting | |
Du et al. | SwinPA-Net: Swin transformer-based multiscale feature pyramid aggregation network for medical image segmentation | |
CN112949838B (zh) | 基于四分支注意力机制的卷积神经网络及图像分割方法 | |
CN113034505B (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
Jafari et al. | Semi-supervised learning for cardiac left ventricle segmentation using conditional deep generative models as prior | |
Raju et al. | Deep implicit statistical shape models for 3d medical image delineation | |
Lu et al. | Rethinking prior-guided face super-resolution: A new paradigm with facial component prior | |
CN114627129A (zh) | 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法 | |
Guo et al. | Deep illumination-enhanced face super-resolution network for low-light images | |
Kong et al. | 3D hierarchical dual-attention fully convolutional networks with hybrid losses for diverse glioma segmentation | |
CN114549394A (zh) | 一种基于深度学习的肿瘤病灶区域语义分割方法及系统 | |
Qi et al. | Sparse prior guided deep multi-view stereo | |
Zhang et al. | Semantic prior guided face inpainting | |
Zou et al. | MR-Trans: MultiResolution Transformer for medical image segmentation | |
CN114565624A (zh) | 基于多期立体图元生成器的肝脏病灶分割的图像处理方法 | |
Tabejamaat et al. | Guided flow field estimation by generating independent patches | |
CN116310394A (zh) | 显著性目标检测方法及装置 | |
Wei et al. | AKFNET: an anatomical knowledge embedded few-shot network for medical image segmentation | |
Yang et al. | Depth super-resolution via fully edge-augmented guidance | |
Wu et al. | PCAF‐Net: A liver segmentation network based on deep learning | |
Soh et al. | HUT: Hybrid UNet transformer for brain lesion and tumour segmentation |
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 |