CN114881910A - 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 - Google Patents
一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 Download PDFInfo
- Publication number
- CN114881910A CN114881910A CN202110090466.5A CN202110090466A CN114881910A CN 114881910 A CN114881910 A CN 114881910A CN 202110090466 A CN202110090466 A CN 202110090466A CN 114881910 A CN114881910 A CN 114881910A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- image segmentation
- normalization
- abdominal
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 69
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 53
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 51
- 210000004185 liver Anatomy 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010606 normalization Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000003187 abdominal effect Effects 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 210000001015 abdomen Anatomy 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 36
- 238000002591 computed tomography Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002513 implantation Methods 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002271 resection 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/30—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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质。包括：获取腹部CT图像；对所述腹部CT图像进行预处理；将所述预处理后的腹部CT图像输入训练好的图像分割模型，所述图像分割模型为包括特征归一化层以及卷积核权重归一化层的Unet网络，所述特征与权重归一化层对卷积核权重和特征图做L2范数归一化，并输出肝及肝肿瘤分割结果。本发明通过在Unet网络的基础上加入特征归一化以及卷积核权重归一化操作，改进了模型对肝和肝肿瘤的分割性能。在模型训练过程中，使用基于训练样本像素数量的损失函数以改进网络对像素数量占比较小的组织的分割效果，缓解了肝肿瘤样本不平衡的问题。
Description
技术领域
本发明属于医学图像处理技术领域，特别涉及一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质。
背景技术
肝是人体腹部内最大的器官，肝癌是致死率最高的几种癌症之一，据世界卫生组织统计，2018年全世界共有78万人死于肝癌。目前肝肿瘤治疗的主要手段有肿瘤切除、介入手术和放射治疗等方式。近年来，粒子植入介入手术因为其微创伤、低辐射剂量的特性在临床上有了越来越多的应用。好的术前规划对粒子植入手术准确植入粒子辐射肿瘤有重要意义，而准确分割出肝和肝肿瘤的位置、形状以及体积是术前规划的关键环节。
目前，基于深度学习的方法广泛应用于图像分割任务中。现有的基于深度学习的肝和肝肿瘤分割方法大多数以Unet为基础。G.Chlebus等通过将Unet和随机森林分类器结合，从而提高了肝肿瘤的分割精度。X.Li等融合二维网络提取的层内特征和三维网络提取的层间特征，从而使得网络模型能够学到更有效的特征信息。F.Wang等提出了一种加性边缘损失函数，通过在损失函数中添加加性偏置项，提高训练中类边界与决策边界的裕度，提升网络在不平衡数据中的表现。K.Cao等提出了一种标签分布相关的边缘损失函数，在损失函数中添加了标签类别数量占比相关的加性偏置项来提升网络对数量较小类别的分类表现。然而，现有的基于深度学习的肝及肝肿瘤分割方法未考虑训练过程中样本不均衡的问题，影响了肝及肝肿瘤的分割精确。
发明内容
本发明提供了一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本发明提供了如下技术方案：
一种肝及肝肿瘤的医学图像分割方法，包括：
获取腹部CT图像；
对所述腹部CT图像进行预处理；
将所述预处理后的腹部CT图像输入训练好的图像分割模型，所述图像分割模型为包括特征归一化层以及卷积核权重归一化层的Unet网络，所述特征与权重归一化层对卷积核权重和特征图做L2范数归一化，并输出肝及肝肿瘤分割结果。
本发明实施例采取的技术方案还包括：所述对腹部CT图像进行预处理具体包括：
对所述腹部CT图像进行灰度截断；
使用z-scoring归一化方法对所述灰度截断后的腹部CT图像进行归一化处理；
将所述归一化后的腹部CT图像进行重采样处理。
本发明实施例采取的技术方案还包括：所述图像分割模型还包括输入层、卷积-归一化-线性整流层、下采样层、上采样层；所述输入层通过卷积操作将输入图像由3通道图像扩展为32通道特征图像，所述卷积-归一化-线性整流层使用权重参数可变的卷积核对所述图像进行卷积操作，提取图像中的特征；所述下采样层对所述特征图进行池化操作，所述上采样层从低分辨率的特征图插值中得到高分辨率特征图，并结合未经过下采样操作的特征图，得到信息损失较少的高分辨率特征图。
本发明实施例采取的技术方案还包括：所述图像分割模型的训练过程具体为：
获取用于训练模型的训练数据；所述训练数据包括训练样本和测试样本；
将所述训练样本输入图像分割模型进行迭代训练，在训练过程中，所述图像分割模型采用对像素数量占比敏感的损失函数：
上式中，m是样本数量，n为类别数量，ni是第i类像素在图像中的占比，c为一个常数，W′和f′分别为归一化后的权重和特征向量，s为一个常数，Δi为调整类间特征决策边界的偏置项；
将所述测试数据输入训练完成的图像分割网络中进行测试。
本发明实施例采取的技术方案还包括：所述偏置项Δi为：
本发明实施例采取的另一技术方案为：一种肝及肝肿瘤的医学图像分割系统，包括：
图像获取模块：用于获取腹部CT图像；
图像预处理模块：用于对所述腹部CT图像进行预处理；
图像分割模块：用于将所述预处理后的腹部CT图像输入训练好的图像分割模型，所述图像分割模型为包括特征归一化层以及卷积核权重归一化层的Unet网络，所述特征与权重归一化层对卷积核权重和特征图做L2范数归一化，并输出肝及肝肿瘤分割结果。
本发明实施例采取的技术方案还包括：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现上述的肝及肝肿瘤的医学图像分割方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制肝及肝肿瘤的医学图像分割。
本发明实施例采取的技术方案还包括：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行上述的肝及肝肿瘤的医学图像分割方法。
相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的肝及肝肿瘤的医学图像分割方法、系统、终端及存储介质通过在Unet网络的基础上加入特征归一化以及卷积核权重归一化操作，同时加深了网络深度，以提高网络对高语义信息的提取能力，从而改进了模型对肝和肝肿瘤的分割性能。另外，在模型训练过程中，使用基于训练样本像素数量的损失函数以改进网络对像素数量占比较小的组织的分割效果，缓解了肝肿瘤样本不平衡的问题，从而达到全自动地、精确有效分割医学图像中肝及肝肿瘤的目的。
附图说明
图1是本发明实施例的肝及肝肿瘤的医学图像分割方法的流程图；
图2是本发明实施例的图像分割模型结构示意图；
图3是本发明实施例的图像分割模型训练过程示意图；
图4是本发明实施例的肝及肝肿瘤的医学图像分割系统的结构示意图；
图5为本发明实施例的终端结构示意图；
图6为本发明实施例的存储介质的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，是本发明实施例的肝及肝肿瘤的医学图像分割方法的流程图。本发明实施例的肝及肝肿瘤的医学图像分割方法包括以下步骤：
S10：获取腹部CT(Computed Tomography，电子计算机断层扫描)图像；
S11：对腹部CT图像进行预处理；
本步骤中，腹部CT图像预处理过程具体包括灰度截断、归一化以及重采样等操作。通过对原始腹部CT图像的观察和分析，肝和肝肿瘤在腹部CT图像中的CT值主要集中在[-50,300]HU范围内。为了排除其他无关器官的干扰，本发明实施例首先对原始腹部CT图像进行灰度截断，即将原始腹部CT图像中大于300HU的CT值设为300HU，将小于-50HU的CT值设置为-50HU，在获取训练样本时如此操作可以降低分割网络的训练难度。其次，通过归一化提高数据分布的一致性，可以提升训练模型的性能。其中，本发明实施例优选使用z-scoring归一化方法进行归一化处理，即图像内全部像素减去平均值后除以标准差，其中平均值为99，标准差为39，具体数值也可根据实际操作进行设定。最后，将腹部CT图像重采样至分辨率0.8*0.8*1.0。
S12：将预处理后的腹部CT图像输入训练好的图像分割模型，通过图像分割模型输出肝及肝肿瘤分割结果；
本步骤中，图像分割模型为改进后的Unet网络，其结构如图2所示。图像分割网络包括输入层、卷积-归一化-线性整流层、下采样层、上采样层、特征归一化层以及卷积核权重归一化层。图像在输入层经卷积操作由3通道图像扩展为32通道特征图像；卷积-归一化-线性整流层使用权重参数可变的卷积核对图像进行卷积操作，提取图像中的特征；下采样层通过池化操作减小了特征图尺寸，扩大了卷积操作的感受野；上采样层从低分辨率的特征图插值得到高分辨率特征图并结合未经过下采样操作的特征图，得到信息损失较少的高分辨率特征图；特征与卷积核权重归一化层对卷积核权重和特征图做L2范数归一化。网络输出二通道特征图，通道1是肝脏分割预测结果，通道2是肝肿瘤分割预测结果。基于上述，本发明实施例通过在Unet的基础上加入特征归一化层以及卷积核权重归一化层，同时加深了网络深度，以提高网络对高语义信息的提取能力，并在训练过程中使用基于训练样本像素数量的损失函数来提高网络的分割性能。其中特征归一化层以及卷积核权重归一化层与损失函数计算紧密相关。特征归一化层将特征图沿通道维度做L2范数归一化，卷积核权重归一化层对该层全部1*1*1卷积核权重做L2范数归一化。特征与卷积核权重归一化操作使得网络专注于优化不同类特征之间的夹角。
进一步地，请参阅图3，是本发明实施例的图像分割模型训练过程示意图。其具体包括以下步骤：
S20：获取一定数量的腹部CT图像；
S21：对腹部CT图像进行预处理；
S22：对预处理后的腹部CT图像进行标注后，生成用于训练图像分割模型的训练数据；其中，所述训练数据包括训练样本和测试样本；
S23：将训练样本输入图像分割模型进行迭代训练；
本步骤中，针对肿瘤像素与背景像素占比不平衡问题，本发明实施例的图像分割模型采用对像素数量占比敏感的损失函数。普通的交叉熵损失函数如式(1)所示，它倾向于同时优化特征幅度和特征幅度与权重之间角度且会使得已经正确分类的特征获得更大的幅度：
其中，m是样本数量，n为类别数量，
和bi分别为样本对应标签类别的卷积权重和偏移。
和bj分别是类别j对应的卷积权重和偏移，f是网络输出的特征。
而实际上在判断像素类别时更大的特征幅度并不能带来更好的分类性能。将特征幅度和权重同时归一化可以使得损失函数不再优化特征幅度而专注于优化特征与权重间的角度。同时归一化后的向量可以直接相乘得到余弦相似度代替角度的计算，达到简化运算的目的。修改后的损失函数如式(2)：
在训练过程中，每次迭代从数据对应的金标准中分别计算得到肝、肝肿瘤以及背景三类像素所占的比例，根据各类像素的占比得到的损失函数如下：
上式中，ni是第i类像素在图像中的占比，c为一个常数，W′和f′分别为归一化后的权重和特征向量，s为一个常数，Δi为调整类间特征决策边界的偏置项。本方案中，c为0.14，s设为30。其中，
基于上述，对于数据不平衡问题，本发明实施例在模型训练过程中通过调整类间特征决策边界的偏置项(即Δi)来优化模型在不平衡数据集上的表现。基于上文中的归一化方法，本方法中优化的项目均为余弦相似度。
本方案的网络训练参数设置为：dropout为0.5，梯度策略使用随机梯度下降，初始学习率为0.02。
S24：将测试数据输入训练完成的图像分割网络中进行测试。
基于上述，本发明实施例的肝及肝肿瘤的医学图像分割方法通过在Unet网络的基础上加入特征归一化以及卷积核权重归一化操作，同时加深了网络深度，以提高网络对高语义信息的提取能力，从而改进了模型对肝和肝肿瘤的分割性能。另外，在模型训练过程中，使用基于训练样本像素数量的损失函数以改进网络对像素数量占比较小的组织的分割效果，缓解了肝肿瘤样本不平衡的问题，从而达到全自动地、精确有效分割医学图像中肝及肝肿瘤的目的。
请参阅图4，是本发明实施例的肝及肝肿瘤的医学图像分割系统的结构示意图。本发明实施例的肝及肝肿瘤的医学图像分割系统40包括：
图像获取模块41：用于获取腹部CT图像；
图像预处理模块42：用于对腹部CT图像进行预处理；
图像分割模块43：用于将所述预处理后的腹部CT图像输入训练好的图像分割模型，所述图像分割模型为包括特征归一化层以及卷积核权重归一化层的Unet网络，所述特征与权重归一化层对卷积核权重和特征图做L2范数归一化，并输出肝及肝肿瘤分割结果。
请参阅图5，为本发明实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述肝及肝肿瘤的医学图像分割方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制肝及肝肿瘤的医学图像分割。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图6，为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，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)或处理器(processor)执行本发明各个实施方式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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种肝及肝肿瘤的医学图像分割方法，其特征在于，包括：
获取腹部CT图像；
对所述腹部CT图像进行预处理；
将所述预处理后的腹部CT图像输入训练好的图像分割模型，所述图像分割模型为包括特征归一化层以及卷积核权重归一化层的Unet网络，所述特征与权重归一化层对卷积核权重和特征图做L2范数归一化，并输出肝及肝肿瘤分割结果。
2.根据权利要求1所述的肝及肝肿瘤的医学图像分割方法，其特征在于，所述对腹部CT图像进行预处理具体包括：
对所述腹部CT图像进行灰度截断；
使用z-scoring归一化方法对所述灰度截断后的腹部CT图像进行归一化处理；
将所述归一化后的腹部CT图像进行重采样处理。
3.根据权利要求1或2所述的肝及肝肿瘤的医学图像分割方法，其特征在于，所述图像分割模型还包括输入层、卷积-归一化-线性整流层、下采样层、上采样层；所述输入层通过卷积操作将输入图像由3通道图像扩展为32通道特征图像，所述卷积-归一化-线性整流层使用权重参数可变的卷积核对所述图像进行卷积操作，提取图像中的特征；所述下采样层对所述特征图进行池化操作，所述上采样层从低分辨率的特征图插值中得到高分辨率特征图，并结合未经过下采样操作的特征图，得到信息损失较少的高分辨率特征图。
4.根据权利要求3所述的肝及肝肿瘤的医学图像分割方法，其特征在于，所述图像分割模型的训练过程具体为：
获取用于训练模型的训练数据；所述训练数据包括训练样本和测试样本；
将所述训练样本输入图像分割模型进行迭代训练，在训练过程中，所述图像分割模型采用对像素数量占比敏感的损失函数：
上式中，m是样本数量，n为类别数量，ni是第i类像素在图像中的占比，c为一个常数，W′和f′分别为归一化后的权重和特征向量，s为一个常数，Δi为调整类间特征决策边界的偏置项；
将所述测试数据输入训练完成的图像分割网络中进行测试。
5.根据权利要求4所述的肝及肝肿瘤的医学图像分割方法，其特征在于，所述偏置项Δi为：
6.一种肝及肝肿瘤的医学图像分割系统，其特征在于，包括：
图像获取模块：用于获取腹部CT图像；
图像预处理模块：用于对所述腹部CT图像进行预处理；
图像分割模块：用于将所述预处理后的腹部CT图像输入训练好的图像分割模型，所述图像分割模型为包括特征归一化层以及卷积核权重归一化层的Unet网络，所述特征与权重归一化层对卷积核权重和特征图做L2范数归一化，并输出肝及肝肿瘤分割结果。
7.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-5任一项所述的肝及肝肿瘤的医学图像分割方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制肝及肝肿瘤的医学图像分割。
8.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至5任一项所述肝及肝肿瘤的医学图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090466.5A CN114881910A (zh) | 2021-01-22 | 2021-01-22 | 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090466.5A CN114881910A (zh) | 2021-01-22 | 2021-01-22 | 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114881910A true CN114881910A (zh) | 2022-08-09 |
Family
ID=82667750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110090466.5A Pending CN114881910A (zh) | 2021-01-22 | 2021-01-22 | 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881910A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058172A (zh) * | 2023-08-24 | 2023-11-14 | 吉林大学 | Ct图像多区域的分割方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-22 CN CN202110090466.5A patent/CN114881910A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058172A (zh) * | 2023-08-24 | 2023-11-14 | 吉林大学 | Ct图像多区域的分割方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785617B (zh) | 残差UNet直肠癌肿瘤磁共振图像自动分割方法 | |
| Frid-Adar et al. | Synthetic data augmentation using GAN for improved liver lesion classification | |
| Li et al. | Attention dense-u-net for automatic breast mass segmentation in digital mammogram | |
| Zhao et al. | Dermoscopy image classification based on StyleGAN and DenseNet201 | |
| CN110188792B (zh) | 前列腺mri三维图像的图像特征获取方法 | |
| Shen et al. | Mass image synthesis in mammogram with contextual information based on GANs | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| Tang et al. | Cmu-net: a strong convmixer-based medical ultrasound image segmentation network | |
| CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
| US11049223B2 (en) | Class-aware adversarial pulmonary nodule synthesis | |
| CN109363699B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| Rehman et al. | RAAGR2-Net: A brain tumor segmentation network using parallel processing of multiple spatial frames | |
| CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
| CN111882509A (zh) | 一种基于生成对抗网络的医学图像数据生成与检测方法 | |
| US20220058806A1 (en) | Systems and methods for image segmentation | |
| CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
| CN113378984A (zh) | 一种医学图像分类方法、系统、终端以及存储介质 | |
| WO2023115797A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN116309806A (zh) | 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法 | |
| CN114821052A (zh) | 基于自调节策略的三维脑肿瘤核磁共振图像分割方法 | |
| CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
| Liu et al. | 3-D prostate MR and TRUS images detection and segmentation for puncture biopsy | |
| CN114881910A (zh) | 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 | |
| Honghan et al. | Rms-se-unet: A segmentation method for tumors in breast ultrasound images | |
| Kumaraswamy et al. | Automatic prostate segmentation of magnetic resonance imaging using Res-Net |
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 |