CN114663431A - 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 - Google Patents
基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 Download PDFInfo
- Publication number
- CN114663431A CN114663431A CN202210543491.9A CN202210543491A CN114663431A CN 114663431 A CN114663431 A CN 114663431A CN 202210543491 A CN202210543491 A CN 202210543491A CN 114663431 A CN114663431 A CN 114663431A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- layer
- dimensional
- reinforcement learning
- 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
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
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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强化学习和注意力的胰腺肿瘤图像分割方法及系统,利用三维粗分割模型提取ROI区域,并将ROI区域图像和原始图像沿着z轴切分为2D图像,利用强化学习网络从切分后的ROI区域图像中选取两个参考层,在切分后的原始图像中选择一个分割层,共同输入到带有交叉注意力特征融合模块的二维精分割模型,利用层间的交叉注意力特征融合模块,使得分割特征在分割层和参考层中进行信息的交互,得到胰腺肿瘤的分割结果;本发明利用交叉注意力机制学习不相邻2D图像的相关信息,既避免了2D神经网络无法利用层间信息来准确定位肿瘤的局限性,又避免了3D神经网络因为3D数据信息的冗余和干扰造成的肿瘤分割不准确问题。
Description
技术领域
本发明涉及图像分割领域,尤其涉及一种基于强化学习和注意力的胰腺肿瘤图像分割方法及系统。
背景技术
胰腺癌确诊后的五年生存率约10%,是预后最差的恶性肿瘤之一。计算机断层扫描(Computed Tomography,CT) 已广泛应用于癌症的研究、预防、诊断和治疗中,是目前胰腺癌诊断和治疗的主要影像诊断依据。胰腺肿瘤的全自动分割技术可以实现大规模临床CT图像处理,提高病人诊治水平、加快相关临床研究,对家庭、社会和国民经济有重要意义。
胰腺和胰腺肿瘤在CT图像中的自动分割面临着巨大挑战,一方面,胰腺肿瘤与胰腺,以及腹部周围其他器官在CT影像中差异较小,难有明确的界限。另一方面,胰腺肿瘤的形状、大小、位置并不固定,有较高的复杂性。并且,胰腺属于腹部小器官,而胰腺肿瘤更小,通过传统方法以及一般的神经网络方法并不能够准确的对目标区域进行定位。现有的胰腺肿瘤分割还是主要依靠医生进行手动标注,标注过程枯燥低效,更重要的是胰腺标注经常需要医生丰富的经验,对于医生而言,标注工作是一个不小的挑战。
对于CT胰腺肿瘤的分割算法开发难点,主要在以下几个方面:
1. 随着卷积神经网络的在图像处理上的广泛应用,卷积神经网络也被广泛用于医学图像分割。当前主流的针对三维图像的分割方法,是利用一层或多层CT图像作为输入,通过一个复杂的卷积神经网络,输出对胰腺区域的预测,来实现分割。通过学习预测的错误,来提高分割的准确率。尽管取得了一定的成果,但是神经网络模型是独立地对这些二维图像进行分割,忽略了这些二维图像之间的内在联系,从而导致分割精度不够。
2. 直接用三维神经网络进行分割时虽然,相邻层之间的信息虽然更容易利用,但是三维神经网络把所有的切片看做同等重要,在分割时会引入大量的无效信息和干扰信息。另外,由于卷积神经核的视野范围小,不相邻层的切片间的信息很难被有效的利用。
现有的医学图像分割方法在进行采用级联的方法进行分割,既先用一个网络进行粗分割得到目标区域的感兴趣区域ROI(region of interest),然后再用一个精分割网络进行分割。精分割网络往往会将粗分割网络产生的概率图作为输入,精分割网络只负责对粗分割的结果进行优化。但是这样的方法会使得精分割网络无法利用ROI之外的信息,会放大粗分割网络预测错误的地方,引入大量的假阴性。对于胰腺肿瘤这种小目标来说,级联方法造成的假阴性问题会更为突出。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于强化学习和注意力的胰腺肿瘤图像分割方法及系统,针对现有二维卷积神经网络胰腺肿瘤CT无法利用层间信息,而三维卷积神经网络会学习到层间错误的位置和形状信息的问题,临床医生在标注时,往往会依据某几张关键切片判断胰腺和肿瘤的大概形状和位置,并依靠几张关键的切片进行其他层的分割,这种方法高效且准确。针对二维和三维网络中存在的问题,本发明提出一种利用强化学习方法模拟临床医生在标注肿瘤过程中的行为模式,将一个CT影像序列的注意力集中在几张关键CT层上。其次,为了避免级联网络造成的假阴性问题,利用层间注意力机制进行层间信息的流动,来实现胰腺肿瘤的准确分割。
本发明的目的是通过以下技术方案来实现的:一方面,本发明提供了一种基于强化学习和注意力的胰腺肿瘤图像分割方法,该方法包括以下步骤:
(1)采集胰腺癌患者胰腺CT图像并进行预处理,勾画CT图像胰腺肿瘤分割的标签,构建胰腺肿瘤分割训练集;
(2)构建用于胰腺CT粗分割的三维粗分割模型,获取获取胰腺感兴趣ROI区域,并将ROI区域的图像及其标签沿着z轴切分为2D图像;
(3)构建带有交叉注意力特征融合模块的二维精分割模型,利用层间的交叉注意力特征融合模块,使得分割特征在分割层和参考层中进行信息的交互;
(3.1)将训练集的数据和标签按照和步骤(2)中ROI区域的图像同样的方式沿着z轴切分为2D图像,随机选取步骤(2)中切分后的两个2D图像作为参考层,训练集数据切分后的2D图像作为分割层;利用强化学习网络选取胰腺肿瘤的参考层;
(3.2)每个参考层对应一个交叉注意力特征融合模块,分别与分割层进行信息的交互,交叉注意力特征融合模块将参考层和分割层的特征维度统一,然后进行拼接操作,进行第一次融合,第一次融合结果与特征维度统一后的分割层特征进行点积操作,生成交叉注意力机制的信息相关矩阵,然后再与特征维度统一后的分割层特征进行点积操作进行第二次融合,并用残差操作将第二次融合结果与原始分割层特征的信息进行融合,作为分割结果;
(4)给定一个待分割的胰腺肿瘤图像并进行预处理后,输入到三维粗分割模型中获取ROI区域并进行切分,利用强化学习网络选取参考层,将待分割的胰腺肿瘤图像切分后选择一个分割层,将分割层和参考层输入到二维精分割模型进行分割,得到肿瘤的分割结果。
进一步地,步骤(1)中,预处理过程具体为:将训练集中所有数据的体素空间距离space调整到1mm;将图像的HU值截断到-100至240之间,然后归一化到0到1之间。
进一步地,步骤(2)中,三维粗分割模型由编码和解码两部分组成,编码部分包括四个编码块,每个编码块后面均连接一个下采样层;解码部分包括四个解码块,每个解码块前面连接一个上采样层;每个编码块和解码块均由数目不等的卷积-激活层组成。
进一步地,步骤(2)中,将ROI区域图像记为,对应训练集中第n个胰腺癌患者胰
腺CT图像;将沿着z轴切分为2D图像,于是,表示切分后第k
层的2D图像,截断后CT图像的标签记为,对应训练集中第n个胰腺癌患者胰腺CT图像的标
签,同样沿着z轴切分为2D图像,于是,表示对应第k层的2D
图像标签,其中为截断后的最小层号,为截断后的最大层号。
其中,代表网络输出的预测粗分割结果,为CT图像胰腺肿瘤分割标签,m是输
入图像中的像素点个数,和分别是像素点j的真实标签和预测标签,分别
代表背景,胰腺或胰腺肿瘤;函数I(·)是示性函数,函数log为对数函数,p(·)为模型预测
的概率函数。
进一步地,步骤(3.1)中,强化学习网络的环境为从原始CT图像获取的ROI区域,状态为沿z轴随机选取的两层切片,动作为每次迭代代理在上次选择的参考层沿z轴进行前后移动,每个参考层对应一个代理,动作价值函数为二维精分割模型预测结果与真实标签的损失函数,并通过启发函数计算当前状态下的下一步动作的最大奖励值;在迭代过程中,利用负反馈的方法对强化学习网络进行训练。
进一步地,强化学习网络训练后,固定强化学习网络的参数,利用强化学习网络筛选参考层将参考层与分割层输入到二维精分割模型完成二维精分割模型训练。
进一步地,步骤(3.2)中,将两个参考层分别记为和,将分割层记为,切分后第层的2D图像,对于参考层和分割层的交互过程以及参考
层和分割层的交互过程一致;对于参考层和分割层而言,交叉注意
力特征融合模块的实现如下:
进一步地,步骤(3)中,二维精分割模型将分割层和参考层作为输入,分割层的预测结果作为输出,采用损失函数Dice Loss进行负反馈学习:
另一方面,本发明还提供了一种基于强化学习和注意力的胰腺肿瘤图像分割系统,该系统包括胰腺肿瘤分割训练集构建模块、三维粗分割模型模块、强化学习网络模块和二维精分割模型模块;
所述胰腺肿瘤分割训练集构建模块用于采集胰腺癌患者胰腺CT图像并进行预处理,勾画CT图像胰腺肿瘤分割的标签,构建胰腺肿瘤分割训练集;
所述三维粗分割模型模块用于获取获取胰腺感兴趣ROI区域,并将ROI区域的图像及其标签沿着z轴切分为2D图像;
所述强化学习网络模块用于从三维粗分割模型模块切分后的2D图像中选取两个参考层;
所述二维精分割模型模块用于将训练集的数据和标签沿着z轴切分为2D图像,并选择一个分割层,二维精分割模型模块包括两个交叉注意力特征融合子模块,分别对应两个参考层,所述两个交叉注意力特征融合子模块分别与分割层进行信息的交互,将参考层和分割层的特征维度统一,然后进行拼接操作,进行第一次融合,第一次融合结果与特征维度统一后的分割层特征进行点积操作,生成交叉注意力机制的信息相关矩阵,然后再与特征维度统一后的分割层特征进行点积操作进行第二次融合,并用残差操作将第二次融合结果与原始分割层特征的信息进行融合,得到肿瘤的分割结果。
本发明的有益效果:
1. 利用强化学习网络从三维图像中选取两层2D图像作为参考层,不涉及层间信息的传递,为二维神经分割网络的分割提供一个可以参考的分割样例。
2. 利用交叉注意力机制学习不相邻2D图像的相关信息,既避免了2D神经网络无法利用层间信息来准确定位肿瘤的局限性,又避免了3D神经网络因为3D数据信息的冗余和干扰造成的肿瘤分割不准确问题。
3. 使用全自动化分割方法模拟临床医生的分割流程,训练和验证过程都不需要医生的介入。
附图说明
图1为本发明提供的一种基于强化学习和注意力的胰腺肿瘤图像分割方法流程图。
图2为本发明的交叉注意力特征融合模块示意图。
图3为本发明的粗分割模型3D UNet结构示意图。
图4为本发明的精分割模型2D UNet结构示意图。
图5为本发明的强化学习训练流程图。
图6为本发明提供的一种基于强化学习和注意力的胰腺肿瘤图像分割系统示意图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示,本发明提供的一种基于强化学习和注意力的胰腺肿瘤分割方法,实现步骤如下:
(1) 胰腺肿瘤分割数据集建立和预处理
(1.1) 收集CT体数据,并做出这些数据的肝脏标准分割结果;采集胰腺癌患者胰
腺CT图像,记为。勾画CT图像胰腺肿瘤分割的标签,记为,, 其中|X|代表X中所有体素个数,表示X
中的第j个体素,K表示z轴的层数,表示自然数集合,分别代表
体素j属于背景,胰腺或胰腺肿瘤。记胰腺肿瘤分割数据集为,其
中N为CT图像个数,为S中第r个胰腺癌患者胰腺CT图像,为对应的CT图像胰腺肿瘤分
割标签。将分割数据集划分为训练集和测试集,其中为训练集个数,为测试集个数,为中第n个胰腺癌患者胰腺CT图像,为对应的CT图像胰腺
肿瘤分割标签,为中第个胰腺癌患者胰腺CT图像,为对应的CT图像胰腺肿
瘤分割标签。
(1.2) 将所有数据的x,y,z轴的体素空间距离space调整到1mm。将图像的HU值截断在[-100,240]之间,然后归一化到[0,1]之间。所述HU值即CT值,是测定人体某一局部组织或器官密度大小的一种计量单位,通常称亨氏单位(hounsfield unit,HU),空气为-1000,致密骨为+1000。
(2.1) 如图3所示,构建用于胰腺CT粗分割的3D UNet网络,记为三维粗分割模型,该模型由编码和解码两部分组成,编码部分包括四个编码块,每个编码块后面均连接
一个下采样层。解码部分包括四个解码块,每个解码块前面连接一个上采样层。每个编码块
和解码块均由数目不等的卷积-激活层组成。利用训练集样本训练该网络,采用的损失函数
为交叉熵损失函数:
其中,代表网络输出的预测粗分割结果,m是输入图像中的像素点个数,和
分别是像素点j的真实标签和预测标签,分别代表背景,胰腺或胰腺肿瘤;函数I
(·)是示性函数,函数log为对数函数,p(·)为网络预测的概率函数。
通过模型获得训练集中3D CT图像的预测概率图,根据条件
,在3D CT图像上对数据进行截断,生成一个长方体的矩形框,截断后CT图像记为获取的
3D ROI区域,将沿着z轴分为2D图像,于是,表示切
分后第k层的2D图像,截断后CT图像的标签记为,同样沿着z轴分为2D图像,于是,表示对应第k层的2D图像标签,其中为截断后的
最小层号,为截断后的最大层号。
(3.2) 交叉注意力特征融合模块的实现。在模型中,本发明设计了两个基于交叉
注意力机制的层间信息交互模块使得层间信息可以在参考层和分割层中进行交互,其中两
个交叉注意力特征融合模块完全一致。对于参考层和分割层而言,交叉注意力
特征融合模块(见图2)的实现如下,对于参考层和分割层的交互过程以及参
考层和分割层的交互过程一致:
其中Dice Loss的定义为:
(4) 强化学习网络训练。
(4.1) 利用强化学习网络Q选取胰腺肿瘤分割层。
强化学习网络由一个3D ResNet网络构成,其输出为一个向量,映射到代理的动作空间。整个强化学习框架可以分为以下几个部分:环境(Environment),代理(Agents),状态(States),行动(Action),启发函数(Reword)以及损失函数。本发明就每个部分的含义及强化学习的过程进行说明:
行动的行动策略函数为,这里本发明选择贪婪
策略,对动作空间中所有的动作进行遍历,和分别是状态和当前代理的动作。是代理和的动作空间具体为{-3,-2,-1,0,1,2,3,Stop },每个
动作表示每次迭代和在上次选择的参考层沿z轴进行前后移动。最后的Stop
操作表示Q选择终止,表示和找不到可以再提升的参考层。
启发函数:启发函数用于计算当前状态下的下一步动作的最大奖励值:
强化学习网络的训练步骤说明(见图5):
在一次迭代t中,强化学习网络使得代理和从环境中选取两个参考层
第a层和第b层记为状态。将输入到二维精分割模型中,
得到当前动作的价值函数。利用贪心算法,穷举求得当前最大奖励值
,进而求得用于负反馈的损失函数,更新强化学习网络Q的权重。
(6) 胰腺肿瘤的自动分割。
(6.1) 对给定的测试集中的测试图像,进行重采样和灰度值调整,并将图像的HU
值截断在[-100,240]之间,然后归一化到[0,1]。将处理后的测试图像输入到三维粗分割模
型中,得到胰腺和肿瘤的分割概率图。并根据获取ROI区域。
另一方面,如图6所示,本发明还提供了一种基于强化学习和注意力的胰腺肿瘤图像分割系统,该系统包括胰腺肿瘤分割训练集构建模块、三维粗分割模型模块、强化学习网络模块和二维精分割模型模块;
所述胰腺肿瘤分割训练集构建模块用于采集胰腺癌患者胰腺CT图像并进行预处理,勾画CT图像胰腺肿瘤分割的标签,构建胰腺肿瘤分割训练集;
所述三维粗分割模型模块用于获取获取胰腺感兴趣ROI区域,并将ROI区域的图像及其标签沿着z轴切分为2D图像;
所述强化学习网络模块用于从三维粗分割模型模块切分后的2D图像中选取两个参考层;
所述二维精分割模型模块用于将训练集的数据和标签沿着z轴切分为2D图像,并选择一个分割层,二维精分割模型模块包括两个交叉注意力特征融合子模块,分别对应两个参考层,所述两个交叉注意力特征融合子模块分别与分割层进行信息的交互,将参考层和分割层的特征维度统一,然后进行拼接操作,进行第一次融合,第一次融合结果与特征维度统一后的分割层特征进行点积操作,生成交叉注意力机制的信息相关矩阵,然后再与特征维度统一后的分割层特征进行点积操作进行第二次融合,并用残差操作将第二次融合结果与原始分割层特征的信息进行融合,得到胰腺肿瘤的分割结果。
以下为本发明的一个具体实施例
本实例使用公开数据集医学马拉松数据集(The Medical SegmentationDecathlon, MSD)胰腺肿瘤分割数据集的CT图像数据进行研究。MSD数据集共有281例胰腺肿瘤数据。
本发明将数据划分训练集224例,测试集57例。训练集的数据用于训练三维粗分割
模型,强化学习网络Q和二维精分割模型,测试集用于测试模型的性能。本发明采用
DSC系数,Jaccard系数,准确率Precision和召回率Recall来评估2D UNet,3D UNet网络。
另外,为了验证交叉注意力特征融合模块的有效性,本发明增加了一个去掉强化学习网络的仿真过程,从ROI中的随机选取参考层,与本发明进行比较,结果如表1所示。
表1. 基于强化学习与交叉注意力的分割方法与其他方法在胰腺肿瘤分割的对比结果
由结果可知,基于强化学习与注意力的胰腺肿瘤图像分割方法相比于其他方法策略取得了最佳效果。相较于2D UNet网络和3DUNet网络,参考层和交叉注意力的引入可以增强2D网络对分割目标的识别和定位,同时避免3D网络引入过多的冗余信息,造成分割困难。另外,强化学习方法可以更好的减少错误伪标签在模型训练过程中的传播与累积(准确率提高8.67%)。相比其它方法,本发明在胰腺肿瘤分割上获得了最好的结果。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (10)
1.一种基于强化学习和注意力的胰腺肿瘤图像分割方法,其特征在于,该方法包括以下步骤:
(1)采集胰腺癌患者胰腺CT图像并进行预处理,勾画CT图像胰腺肿瘤分割的标签,构建胰腺肿瘤分割训练集;
(2)构建用于胰腺CT粗分割的三维粗分割模型,获取获取胰腺感兴趣ROI区域,并将ROI区域的图像及其标签沿着z轴切分为2D图像;
(3)构建带有交叉注意力特征融合模块的二维精分割模型,利用层间的交叉注意力特征融合模块,使得分割特征在分割层和参考层中进行信息的交互;
(3.1)将训练集的数据和标签按照和步骤(2)中ROI区域的图像同样的方式沿着z轴切分为2D图像,随机选取步骤(2)中切分后的两个2D图像作为参考层,训练集数据切分后的2D图像作为分割层;利用强化学习网络选取胰腺肿瘤的参考层;
(3.2)每个参考层对应一个交叉注意力特征融合模块,分别与分割层进行信息的交互,交叉注意力特征融合模块将参考层和分割层的特征维度统一,然后进行拼接操作,进行第一次融合,第一次融合结果与特征维度统一后的分割层特征进行点积操作,生成交叉注意力机制的信息相关矩阵,然后再与特征维度统一后的分割层特征进行点积操作进行第二次融合,并用残差操作将第二次融合结果与原始分割层特征的信息进行融合,作为分割结果;
(4)给定一个待分割的胰腺肿瘤图像并进行预处理后,输入到三维粗分割模型中获取ROI区域并进行切分,利用强化学习网络选取参考层,将待分割的胰腺肿瘤图像切分后选择一个分割层,将分割层和参考层输入到二维精分割模型进行分割,得到胰腺肿瘤的分割结果。
2.根据权利要求1所述的一种基于强化学习和注意力的胰腺肿瘤图像分割方法,其特征在于,步骤(1)中,预处理过程具体为:将训练集中所有数据的体素空间距离space调整到1mm;将图像的HU值截断到-100至240之间,然后归一化到0到1之间。
3.根据权利要求1所述的一种基于强化学习和注意力的胰腺肿瘤图像分割方法,其特征在于,步骤(2)中,三维粗分割模型由编码和解码两部分组成,编码部分包括四个编码块,每个编码块后面均连接一个下采样层;解码部分包括四个解码块,每个解码块前面连接一个上采样层;每个编码块和解码块均由数目不等的卷积-激活层组成。
6.根据权利要求1所述的一种基于强化学习和注意力的胰腺肿瘤图像分割方法,其特征在于,步骤(3.1)中,强化学习网络的环境为从原始CT图像获取的ROI区域,状态为沿z轴随机选取的两层切片,动作为每次迭代代理在上次选择的参考层沿z轴进行前后移动,每个参考层对应一个代理,动作价值函数为二维精分割模型预测结果与真实标签的损失函数,并通过启发函数计算当前状态下的下一步动作的最大奖励值;在迭代过程中,利用负反馈的方法对强化学习网络进行训练。
7.根据权利要求6所述的一种基于强化学习和注意力的胰腺肿瘤图像分割方法,其特征在于,强化学习网络训练后,固定强化学习网络的参数,利用强化学习网络筛选参考层将参考层与分割层输入到二维精分割模型完成二维精分割模型训练。
8.根据权利要求4所述的一种基于强化学习和注意力的胰腺肿瘤图像分割方法,其特
征在于,步骤(3.2)中,将两个参考层分别记为和,将分割层记为,切分
后第层的2D图像,对于参考层和分割层的交互过程以及参考层和分割层的交互过程一致;对于参考层和分割层而言,交叉注意力特征融合模块的
实现如下:
10.一种基于强化学习和注意力的胰腺肿瘤图像分割系统,其特征在于,该系统包括胰腺肿瘤分割训练集构建模块、三维粗分割模型模块、强化学习网络模块和二维精分割模型模块;
所述胰腺肿瘤分割训练集构建模块用于采集胰腺癌患者胰腺CT图像并进行预处理,勾画CT图像胰腺肿瘤分割的标签,构建胰腺肿瘤分割训练集;
所述三维粗分割模型模块用于获取获取胰腺感兴趣ROI区域,并将ROI区域的图像及其标签沿着轴z切分为2D图像;
所述强化学习网络模块用于从三维粗分割模型模块切分后的2D图像中选取两个参考层;
所述二维精分割模型模块用于将训练集的数据和标签沿着z轴切分为2D图像,并选择一个分割层,二维精分割模型模块包括两个交叉注意力特征融合子模块,分别对应两个参考层,所述两个交叉注意力特征融合子模块分别与分割层进行信息的交互,将参考层和分割层的特征维度统一,然后进行拼接操作,进行第一次融合,第一次融合结果与特征维度统一后的分割层特征进行点积操作,生成交叉注意力机制的信息相关矩阵,然后再与特征维度统一后的分割层特征进行点积操作进行第二次融合,并用残差操作将第二次融合结果与原始分割层特征的信息进行融合,得到胰腺肿瘤的分割结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543491.9A CN114663431B (zh) | 2022-05-19 | 2022-05-19 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
PCT/CN2023/094394 WO2023221954A1 (zh) | 2022-05-19 | 2023-05-16 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543491.9A CN114663431B (zh) | 2022-05-19 | 2022-05-19 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663431A true CN114663431A (zh) | 2022-06-24 |
CN114663431B CN114663431B (zh) | 2022-08-30 |
Family
ID=82037025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210543491.9A Active CN114663431B (zh) | 2022-05-19 | 2022-05-19 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114663431B (zh) |
WO (1) | WO2023221954A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359881A (zh) * | 2022-10-19 | 2022-11-18 | 成都理工大学 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
CN115954106A (zh) * | 2023-03-15 | 2023-04-11 | 吉林华瑞基因科技有限公司 | 基于计算机辅助模拟的肿瘤模型优化系统 |
CN116109605A (zh) * | 2023-02-13 | 2023-05-12 | 北京医智影科技有限公司 | 医学影像肿瘤分割系统、训练集构建方法和模型训练方法 |
CN116189166A (zh) * | 2023-02-07 | 2023-05-30 | 台州勃美科技有限公司 | 一种仪表读数方法、装置及机器人 |
CN116309385A (zh) * | 2023-02-27 | 2023-06-23 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 |
CN116468741A (zh) * | 2023-06-09 | 2023-07-21 | 南京航空航天大学 | 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法 |
WO2023221954A1 (zh) * | 2022-05-19 | 2023-11-23 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291913B (zh) * | 2023-11-24 | 2024-04-16 | 长江勘测规划设计研究有限责任公司 | 一种水工混凝土结构表观裂缝测量方法 |
CN117393043B (zh) * | 2023-12-11 | 2024-02-13 | 浙江大学 | 一种甲状腺乳头状瘤braf基因突变检测装置 |
CN117422715B (zh) * | 2023-12-18 | 2024-03-12 | 华侨大学 | 一种基于全局信息的乳腺超声肿瘤病变区域检测方法 |
CN117455935B (zh) * | 2023-12-22 | 2024-03-19 | 中国人民解放军总医院第一医学中心 | 基于腹部ct医学图像融合及器官分割方法及系统 |
CN117593292B (zh) * | 2024-01-18 | 2024-04-05 | 江西师范大学 | 一种基于三维正交注意力的ct图像目标检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091575A (zh) * | 2019-12-31 | 2020-05-01 | 电子科技大学 | 一种基于强化学习方法的医学图像分割方法 |
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
CN112201328A (zh) * | 2020-10-09 | 2021-01-08 | 浙江德尚韵兴医疗科技有限公司 | 一种基于交叉注意力机制的乳腺肿块分割方法 |
CN113221987A (zh) * | 2021-04-30 | 2021-08-06 | 西北工业大学 | 一种基于交叉注意力机制的小样本目标检测方法 |
US20210383171A1 (en) * | 2020-06-05 | 2021-12-09 | Adobe Inc. | Unified referring video object segmentation network |
CN114119515A (zh) * | 2021-11-14 | 2022-03-01 | 北京工业大学 | 一种基于注意力机制和mri多模态融合的脑肿瘤检测方法 |
CN114219943A (zh) * | 2021-11-24 | 2022-03-22 | 华南理工大学 | 一种基于深度学习的ct图像危及器官分割系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047082B (zh) * | 2019-03-27 | 2023-05-16 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
AU2021358905A1 (en) * | 2020-10-05 | 2023-05-18 | Memorial Sloan Kettering Cancer Center | Reinforcement learning to perform localization, segmentation, and classification on biomedical images |
CN114494289A (zh) * | 2022-01-13 | 2022-05-13 | 同济大学 | 一种基于局部线性嵌入的插值神经网络的胰腺肿瘤图像分割处理方法 |
CN114663431B (zh) * | 2022-05-19 | 2022-08-30 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
-
2022
- 2022-05-19 CN CN202210543491.9A patent/CN114663431B/zh active Active
-
2023
- 2023-05-16 WO PCT/CN2023/094394 patent/WO2023221954A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN111091575A (zh) * | 2019-12-31 | 2020-05-01 | 电子科技大学 | 一种基于强化学习方法的医学图像分割方法 |
CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
US20210383171A1 (en) * | 2020-06-05 | 2021-12-09 | Adobe Inc. | Unified referring video object segmentation network |
CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
CN112201328A (zh) * | 2020-10-09 | 2021-01-08 | 浙江德尚韵兴医疗科技有限公司 | 一种基于交叉注意力机制的乳腺肿块分割方法 |
CN113221987A (zh) * | 2021-04-30 | 2021-08-06 | 西北工业大学 | 一种基于交叉注意力机制的小样本目标检测方法 |
CN114119515A (zh) * | 2021-11-14 | 2022-03-01 | 北京工业大学 | 一种基于注意力机制和mri多模态融合的脑肿瘤检测方法 |
CN114219943A (zh) * | 2021-11-24 | 2022-03-22 | 华南理工大学 | 一种基于深度学习的ct图像危及器官分割系统 |
Non-Patent Citations (4)
Title |
---|
FU ZHOU ET AL: "HAUNet-3D: a Novel Hierarchical Attention 3D UNet for Lung Nodule Segmentation", 《2021 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
MEHRDAD NOORI ET AL: "Attention-Guided Version of 2D UNet for Automatic Brain Tumor Segmentation", 《2019 9TH INTERNATIONAL CONFERENCE ON COMPUTER AND KNOWLEDGE ENGINEERING (ICCKE)》 * |
何洪涛: "基于区域层次相似度的图像目标分割算法研究", 《中国优秀硕士学位论文全文数据库》 * |
冯龙锋等: "CT 图像肺及肺病变区域分割方法综述", 《中国图象图形学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221954A1 (zh) * | 2022-05-19 | 2023-11-23 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
CN115359881A (zh) * | 2022-10-19 | 2022-11-18 | 成都理工大学 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
CN115359881B (zh) * | 2022-10-19 | 2023-04-07 | 成都理工大学 | 一种基于深度学习的鼻咽癌肿瘤自动勾画方法 |
CN116189166A (zh) * | 2023-02-07 | 2023-05-30 | 台州勃美科技有限公司 | 一种仪表读数方法、装置及机器人 |
CN116109605A (zh) * | 2023-02-13 | 2023-05-12 | 北京医智影科技有限公司 | 医学影像肿瘤分割系统、训练集构建方法和模型训练方法 |
CN116109605B (zh) * | 2023-02-13 | 2024-04-02 | 北京医智影科技有限公司 | 医学影像肿瘤分割系统、训练集构建方法和模型训练方法 |
CN116309385A (zh) * | 2023-02-27 | 2023-06-23 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 |
CN116309385B (zh) * | 2023-02-27 | 2023-10-10 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 |
CN115954106A (zh) * | 2023-03-15 | 2023-04-11 | 吉林华瑞基因科技有限公司 | 基于计算机辅助模拟的肿瘤模型优化系统 |
CN115954106B (zh) * | 2023-03-15 | 2023-05-12 | 吉林华瑞基因科技有限公司 | 基于计算机辅助模拟的肿瘤模型优化系统 |
CN116468741A (zh) * | 2023-06-09 | 2023-07-21 | 南京航空航天大学 | 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法 |
CN116468741B (zh) * | 2023-06-09 | 2023-09-22 | 南京航空航天大学 | 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023221954A1 (zh) | 2023-11-23 |
CN114663431B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663431B (zh) | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 | |
CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
CN111445481A (zh) | 一种基于尺度融合的腹部ct多器官的分割方法 | |
CN109035197B (zh) | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 | |
CN113674281B (zh) | 一种基于深度形状学习的肝脏ct自动分割方法 | |
CN110675406A (zh) | 基于残差双注意力深度网络的ct图像肾脏分割算法 | |
CN110321920A (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN109493346A (zh) | 一种基于多损失的胃癌病理切片图像分割方法和装置 | |
CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
Du et al. | Identification of COPD from multi-view snapshots of 3D lung airway tree via deep CNN | |
JP2023544466A (ja) | Pet/ctに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置 | |
Xie et al. | SERU: A cascaded SE‐ResNeXT U‐Net for kidney and tumor segmentation | |
CN112465754B (zh) | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 | |
CN113436173A (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及系统 | |
CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
CN111127487B (zh) | 一种实时多组织医学图像的分割方法 | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
CN115131369A (zh) | 一种基于3DA-U-Nets架构的CT图像肝脏肿瘤分割方法 | |
CN114066883A (zh) | 一种基于特征选择与残差融合的肝肿瘤分割方法 | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
CN117197454A (zh) | 一种肝脏及肝肿瘤数据分割方法及系统 | |
CN116486156A (zh) | 融合多尺度特征上下文的全视野数字切片图像分类方法 | |
CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
CN115841457A (zh) | 一种融合多视图信息的三维医学图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |