CN115619794A - 基于神经网络的原发性肝细胞癌病灶分割系统及方法 - Google Patents

基于神经网络的原发性肝细胞癌病灶分割系统及方法 Download PDF

Info

Publication number
CN115619794A
CN115619794A CN202210513459.6A CN202210513459A CN115619794A CN 115619794 A CN115619794 A CN 115619794A CN 202210513459 A CN202210513459 A CN 202210513459A CN 115619794 A CN115619794 A CN 115619794A
Authority
CN
China
Prior art keywords
phase
data
hepatocellular carcinoma
liver
neural network
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
CN202210513459.6A
Other languages
English (en)
Inventor
耿道颖
罗啸
杨丽琴
胡斌
耿岩
吕锟
李佩雯
李郁欣
尹波
张军
于泽宽
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.)
Guangdong Hong Kong Macao Dawan District Institute Of Precision Medicine Guangzhou
Fudan University
Original Assignee
Guangdong Hong Kong Macao Dawan District Institute Of Precision Medicine Guangzhou
Fudan University
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 Guangdong Hong Kong Macao Dawan District Institute Of Precision Medicine Guangzhou, Fudan University filed Critical Guangdong Hong Kong Macao Dawan District Institute Of Precision Medicine Guangzhou
Priority to CN202210513459.6A priority Critical patent/CN115619794A/zh
Publication of CN115619794A publication Critical patent/CN115619794A/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
    • G06N3/08—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于神经网络的原发性肝细胞癌病灶分割系统及方法，包括：模块M1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；模块M2：将预处理后的肝脏多期相CT数据通过第一个预训练的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；模块M3：将肝脏区域的多期相CT数据通过第二个预训练的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；模块M4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个预训练的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果。

Description

基于神经网络的原发性肝细胞癌病灶分割系统及方法
技术领域
本发明涉及肝细胞癌病灶检测技术领域，具体地，涉及基于神经网络的原发性肝细胞癌病灶分割系统及方法。
背景技术
一项基于CT的自动肝局灶性病变检测与分类研究论文显示，利用非增强期、动脉期、门静脉期、平衡期期和肝脏特异期的增强T1加权CT影像数据，得到的肝细胞癌病灶检测敏感性为56％，正确率为79％。另一项非全自动肝细胞癌病灶检测与分割研究显示，通过动脉晚期、门静脉期和平衡期期的增强T1加权CT影像训练模型，得到的检测敏感性为75％，Dice系数为0.68。虽然这些模型对肝细胞癌病灶筛查起到一定的促进作用，但这些模型存在着一定的不足：(a)流程上，不包含自动筛查步骤，系统自动化程度低，导致医疗资源释放不充分。(b)现有研究提出的模型，病灶分割或分类的准确率和敏感性均不足以支持临床应用。
专利文献CN113034518A(申请号：202110414395.X)公开了一种基于卷积神经网络的肝脏病灶分割方法，其提出的模型针对肝脏占位性病变分割，其局限性在于不区分良性病变与恶性病变。肝细胞癌病变是肝脏占位性病变中的恶性病变，临床上有必要有需求进行单独检测和分割。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络的原发性肝细胞癌病灶分割系统及方法。
根据本发明提供的一种基于神经网络的原发性肝细胞癌病灶分割系统，包括：
模块M1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；
模块M2：将预处理后的肝脏多期相CT数据通过第一个训练后的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；
模块M3：将肝脏区域的多期相CT数据通过第二个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；
模块M4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果；
所述第一个训练后的多通道卷积神经网络和是所述第三个训练后的多通道卷积神经网络是以编码器-解码器结构为骨架，结合跳连接，同时保留低级特征与高级特征，从而实现多通道医学图像的语义分割；
所述第二个训练后的多通道卷积神经网络是基于编码器与分类概率映射层的网络结构，实现各类别概率计算及类别预测。
优选地，所述肝脏多期相CT数据包括动脉期CT数据与门静脉期CT数据，还包括非增强期CT数据和/或平衡期CT数据。
优选地，所述模块M1采用：将不同期相的CT数据配准到指定期相的影像上，生成统一标准的期相CT数据。
优选地，所述第一个预训练的多通道卷积神经网络和第三个预训练的多通道卷积神经网络为U-Net系列；
所述U-Net系列包括2D U-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net。
优选地，所述第二个预训练的多通道卷积神经网络为CNN系列；
所述CNN系列包括k-CNN、FCN、DCNN或VGG-net。
优选地，将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理，得到多期相CT肝脏及原发性肝细胞癌病灶结合影像；
所述将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理采用：将原发性肝细胞癌病灶多期相分割结果逆配准，还原为与各期相CT数据匹配的空间中，并将结果以彩色半透明的方式叠加到各期相CT数据上，得到肝脏多期相CT及分割病灶结合影像。
根据本发明提供的一种基于神经网络的原发性肝细胞癌病灶分割方法，包括：
步骤S1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；
步骤S2：将预处理后的肝脏多期相CT数据通过第一个训练后的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；
步骤S3：将肝脏区域的多期相CT数据通过第二个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；
步骤S4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果；
所述第一个训练后的多通道卷积神经网络和是所述第三个训练后的多通道卷积神经网络是以编码器-解码器结构为骨架，结合跳连接，同时保留低级特征与高级特征，从而实现多通道医学图像的语义分割；
所述第二个训练后的多通道卷积神经网络是基于编码器与分类概率映射层的网络结构，实现各类别概率计算及类别预测。
优选地，所述肝脏多期相CT数据包括动脉期CT数据与门静脉期CT数据，还包括非增强期CT数据和/或平衡期CT数据；
所述步骤S1采用：将不同期相的CT数据配准到指定期相的影像上，生成统一标准的期相CT数据。
优选地，所述第一个预训练的多通道卷积神经网络和第三个预训练的多通道卷积神经网络为U-Net系列；
所述U-Net系列包括2D U-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net；
所述第二个预训练的多通道卷积神经网络为CNN系列；
所述CNN系列包括k-CNN、FCN、DCNN或VGG-net。
优选地，将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理，得到多期相CT肝脏及原发性肝细胞癌病灶结合影像；
所述将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理采用：将原发性肝细胞癌病灶多期相分割结果逆配准，还原为与各期相CT数据匹配的空间中，并将结果以彩色半透明的方式叠加到各期相CT数据上，得到肝脏多期相CT及分割病灶结合影像。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过采用肝脏多期相CT数据，训练的卷积神经网络模型鲁棒性更高，获得更稳定可靠的检测结果；
2、本发明通过采用卷积神经网络训练数据，学习和捕获不同层次的特征，通过寻找数据内部间的某种联系，构建预测模型进而实现将输入映射成输出(标签或预测值)，能获得检出率更高、假阳性更低的检测结果；
3、本发明通过服务器或客户端侧实现，无需人工经验识别，即在模型实现分类和/或语义分割过程中通过多通道多尺度卷积神经网络探索的特征表达，可以免去人工寻找的过程，而用深度学习的方式寻找到全面且有效的特征。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的筛查和分割方法的流程图。
图2为多通道卷积神经网络U-Net模型示意图。
图3为多通道卷积神经网络VGG-Net模型示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络的原发性肝细胞癌病灶分割系统及方法。
根据本发明提供的一种基于神经网络的原发性肝细胞癌病灶分割系统，包括：
模块M1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；
具体地，所述肝脏多期相CT数据包括动脉期CT数据与门静脉期CT数据，还包括非增强期CT数据和/或平衡期CT数据。
具体地，所述模块M1采用：将不同期相的CT数据配准到指定期相的影像上，生成统一标准的期相CT数据。
模块M2：将预处理后的肝脏多期相CT数据通过第一个训练后的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；
模块M3：将肝脏区域的多期相CT数据通过第二个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；
模块M4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果；
所述第一个训练后的多通道卷积神经网络和是所述第三个训练后的多通道卷积神经网络是以编码器-解码器结构为骨架，结合跳连接，同时保留低级特征与高级特征，从而实现多通道医学图像的语义分割；
所述第二个训练后的多通道卷积神经网络是基于编码器与分类概率映射层的网络结构，实现各类别概率计算及类别预测。
具体地，所述第一个预训练的多通道卷积神经网络和第三个预训练的多通道卷积神经网络为U-Net系列；
所述U-Net系列包括2D U-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net。
具体地，所述第二个预训练的多通道卷积神经网络为CNN系列；
所述CNN系列包括k-CNN、FCN、DCNN或VGG-net。
具体地，所述多通道卷积神经网络训练过程包括：
获取多期相CT训练集、验证集数据和对应标签；
将每个期相CT数据作为一个通道输入网络；
计算训练集数据的网络输出结果与对应标签的损失函数值；
根据损失函数结果调整网络模型中的参数值；
当一部分训练集数据输入训练完成后，输入验证集数据和标签；
计算验证集数据的网络输出结果与对应标签的损失函数值；
根据损失函数结果调整网络模型的超参数值；
重复触发，直到损失函数值稳定且小于某一较小值，结束训练。
具体地，将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理，得到多期相CT肝脏及原发性肝细胞癌病灶结合影像，以及原发性肝细胞癌病灶的统计信息；
所述将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理采用：将原发性肝细胞癌病灶多期相分割结果逆配准，还原为与各期相CT数据匹配的空间中，并将结果以彩色半透明的方式叠加到各期相CT数据上，得到肝脏多期相CT及分割病灶结合影像。
实施例2
本发明提供了一种基于神经网络的原发性肝细胞癌病灶分割方法，如图1至3所示，包括：
步骤S1：获取肝脏多期相CT数据Ioriginal；
步骤S2：对Ioriginal进行数据预处理得到统一标准的肝脏多期相CT数据Ipreprocessed；
步骤S3：将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相CT数据Iliver；
步骤S4：将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查，得到含有原发性肝细胞癌病灶的多期相CT数据Iliver,HCC和不含有该病灶的多期相CT数据Iliver,noHCC；
步骤S5：将Iliver,HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；
步骤S6：将Ipreprocessed和RHCC进行数据后处理，得到多期相CT肝脏及原发性肝细胞癌病灶结合影像Icombine，以及原发性肝细胞癌病灶的统计信息。
具体地，步骤S1所述肝脏多期相包括动脉期与门静脉期。动脉期中，肝细胞癌病变整体或部分高于背景肝实质的强化；门静脉期中，肝细胞癌病变周围呈现大部分或全部的光滑、均匀、边缘锐利的环形结构，即病灶周围较厚的纤维、受压的肝窦等组织成分--包膜。
步骤S1所述肝脏多期相还包括非增强期、平衡期期中的一种或两种。
步骤S1所述数据Ioriginal为经碘对比剂增强的腹部肝脏计算机断层扫描数据。在注射碘对比剂前，进行计算机断层扫描成像，可获得肝脏非增强期成像数据。在注射碘对比剂后5-10秒开始扫描，分别在30-35秒、70-75秒、180秒后进行计算机断层扫描成像，可分别获区肝脏动脉期、门静脉期和平衡期的成像数据。数据具体形式是由DICOM格式保存的数据。
具体地，步骤S2中所述的预处理为将不同期相数据配准到指定期相的影像上，生成统一标准的多期相数据。指定期相选择动脉期或门静脉期。统一标准的数据指，经过配准步骤后，其他期相中，肝组织的位置信息与制定期相的图像一致的数据。统一标准指数据整理、清洗、脱敏后保存的NIfTI图像。
具体地，所述的预训练的多通道卷积神经网络N1、N2、N3包括CNN系列或U-Net系列。其中，CNN系列包括：k-CNN、FCN、DCNN或VGG-Net。U-Net系列包括2D U-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net。N1、N2、N3互不相同。
具体地，N1和N3选取U-Net系列；N2选取CNN系列。N1、N2、N3可由对应系列中的任一模型实现指定效果。
作为本发明的一个实施方案，所述的预训练过程包括：
1)获取多期相CT训练集、验证集数据和对应标签；
2)将每个期相CT训练集数据作为一个通道输入网络；
3)计算训练集数据的网络输出结果与对应标签的损失函数值；
4)根据损失函数值调整网络模型中的参数值；
5)当全部训练集数据输入训练完成后，输入验证集数据和对应标签；
6)计算验证集数据的网络输出结果与对应标签的损失函数值；
7)根据损失函数结果调整网络模型的超参数值；
8)重复2)-7)，直至迭代次数达到设定值、损失函数值达到设定值或分割(分类)精度达到既定指标，结束训练。
三个模型均为此步骤，不同的地方在于训练集、验证集数据和对应标签。其中，N1的数据是统一标准的多期相CT数据，标签是肝脏分割结果；N2的数据是肝脏区域的多期相CT数据，标签是是否含有原发性肝细胞癌病灶；N3的数据是含有原发性肝细胞癌病灶的多期相CT数据，标签是原发性肝细胞癌病灶多期相分割结果。
作为本发明的一个实施方案，步骤S6中所述的后处理包括将RHCC逆配准，还原为与各期相CT数据Ioriginal匹配的空间中，并将结果以彩色半透明的方式叠加到Ioriginal上，得到肝脏多期相CT及分割病灶的结合影像。通过结合影像可以大幅简化统计原发性肝细胞癌病灶个数、体积或其他信息的步骤和时间。其他信息指肿瘤基因型预测结果、病理分期预测结果、生存期预测结果、切除术后复发率预测结果或肝移植术后复发率预测结果等。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于神经网络的原发性肝细胞癌病灶分割系统，其特征在于，包括：
模块M1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；
模块M2：将预处理后的肝脏多期相CT数据通过第一个训练后的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；
模块M3：将肝脏区域的多期相CT数据通过第二个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；
模块M4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果；
所述第一个训练后的多通道卷积神经网络和是所述第三个训练后的多通道卷积神经网络是以编码器-解码器结构为骨架，结合跳连接，同时保留低级特征与高级特征，从而实现多通道医学图像的语义分割；
所述第二个训练后的多通道卷积神经网络是基于编码器与分类概率映射层的网络结构，实现各类别概率计算及类别预测。
2.根据权利要求1所述的基于神经网络的原发性肝细胞癌病灶分割系统，其特征在于，所述肝脏多期相CT数据包括动脉期CT数据与门静脉期CT数据，还包括非增强期CT数据和/或平衡期CT数据。
3.根据权利要求1所述的基于神经网络的原发性肝细胞癌病灶分割系统，其特征在于，所述模块M1采用：将不同期相的CT数据配准到指定期相的影像上，生成统一标准的期相CT数据。
4.根据权利要求1所述的基于神经网络的原发性肝细胞癌病灶分割系统，其特征在于，所述第一个预训练的多通道卷积神经网络和第三个预训练的多通道卷积神经网络为U-Net系列；
所述U-Net系列包括2D U-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net。
5.根据权利要求1所述的基于神经网络的原发性肝细胞癌病灶分割系统，其特征在于，所述第二个预训练的多通道卷积神经网络为CNN系列；
所述CNN系列包括k-CNN、FCN、DCNN或VGG-net。
6.根据权利要求1所述的基于神经网络的原发性肝细胞癌病灶分割系统，其特征在于，将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理，得到多期相CT肝脏及原发性肝细胞癌病灶结合影像；
所述将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理采用：将原发性肝细胞癌病灶多期相分割结果逆配准，还原为与各期相CT数据匹配的空间中，并将结果以彩色半透明的方式叠加到各期相CT数据上，得到肝脏多期相CT及分割病灶结合影像。
7.一种基于神经网络的原发性肝细胞癌病灶分割方法，其特征在于，包括：
步骤S1：获取肝脏多期相CT数据并进行预处理，得到预处理后的肝脏多期相CT数据；
步骤S2：将预处理后的肝脏多期相CT数据通过第一个训练后的多通道卷积神经网络进行肝脏分割，得到肝脏区域的多期相CT数据；
步骤S3：将肝脏区域的多期相CT数据通过第二个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶筛查，获得含有原发性肝细胞癌病灶的多期相CT数据；
步骤S4：将含有原发性肝细胞癌病灶的多期相CT数据通过第三个训练后的多通道卷积神经网络进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果；
所述第一个训练后的多通道卷积神经网络和是所述第三个训练后的多通道卷积神经网络是以编码器-解码器结构为骨架，结合跳连接，同时保留低级特征与高级特征，从而实现多通道医学图像的语义分割；
所述第二个训练后的多通道卷积神经网络是基于编码器与分类概率映射层的网络结构，实现各类别概率计算及类别预测。
8.根据权利要求7所述的基于神经网络的原发性肝细胞癌病灶分割方法，其特征在于，所述肝脏多期相CT数据包括动脉期CT数据与门静脉期CT数据，还包括非增强期CT数据和/或平衡期CT数据；
所述步骤S1采用：将不同期相的CT数据配准到指定期相的影像上，生成统一标准的期相CT数据。
9.根据权利要求7所述的基于神经网络的原发性肝细胞癌病灶分割方法，其特征在于，所述第一个预训练的多通道卷积神经网络和第三个预训练的多通道卷积神经网络为U-Net系列；
所述U-Net系列包括2D U-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net；
所述第二个预训练的多通道卷积神经网络为CNN系列；
所述CNN系列包括k-CNN、FCN、DCNN或VGG-net。
10.根据权利要求7所述的基于神经网络的原发性肝细胞癌病灶分割方法，其特征在于，将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理，得到多期相CT肝脏及原发性肝细胞癌病灶结合影像；
所述将预处理后的肝脏多期相CT数据和原发性肝细胞癌病灶多期相分割结果进行数据后处理采用：将原发性肝细胞癌病灶多期相分割结果逆配准，还原为与各期相CT数据匹配的空间中，并将结果以彩色半透明的方式叠加到各期相CT数据上，得到肝脏多期相CT及分割病灶结合影像。
CN202210513459.6A 2022-05-11 2022-05-11 基于神经网络的原发性肝细胞癌病灶分割系统及方法 Pending CN115619794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210513459.6A CN115619794A (zh) 2022-05-11 2022-05-11 基于神经网络的原发性肝细胞癌病灶分割系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210513459.6A CN115619794A (zh) 2022-05-11 2022-05-11 基于神经网络的原发性肝细胞癌病灶分割系统及方法

Publications (1)

Publication Number Publication Date
CN115619794A true CN115619794A (zh) 2023-01-17

Family

ID=84856949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210513459.6A Pending CN115619794A (zh) 2022-05-11 2022-05-11 基于神经网络的原发性肝细胞癌病灶分割系统及方法

Country Status (1)

Country Link
CN (1) CN115619794A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563358A (zh) * 2023-07-07 2023-08-08 浙江大学 肝脏增强多期ct数据ai训练的数据对齐预处理方法
CN117558414A (zh) * 2023-11-23 2024-02-13 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563358A (zh) * 2023-07-07 2023-08-08 浙江大学 肝脏增强多期ct数据ai训练的数据对齐预处理方法
CN116563358B (zh) * 2023-07-07 2023-09-22 浙江大学 肝脏增强多期ct数据ai训练的数据对齐预处理方法
CN117558414A (zh) * 2023-11-23 2024-02-13 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质
CN117558414B (zh) * 2023-11-23 2024-05-24 之江实验室 多任务肝细胞癌早期复发预测系统、电子设备、介质

Similar Documents

Publication Publication Date Title
CN115619794A (zh) 基于神经网络的原发性肝细胞癌病灶分割系统及方法
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
CN111161279B (zh) 医学图像分割方法、装置及服务器
CN114820584B (zh) 肺部病灶定位装置
US11120297B2 (en) Segmentation of target areas in images
CN113205524A (zh) 基于U-Net的血管图像分割方法、装置和设备
EP3973508A1 (en) Sampling latent variables to generate multiple segmentations of an image
CN112767417A (zh) 一种基于级联U-Net网络的多模态图像分割方法
CN114419111A (zh) 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统
CN111667459A (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
KR20200120311A (ko) 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
CN112991346A (zh) 用于医学图像分析的学习网络的训练方法和训练系统
CN117196992A (zh) 图像生成方法及装置、生成模型的训练方法及装置
CN116757986A (zh) 一种红外与可见光图像融合方法及装置
CN117218133A (zh) 肺图像处理方法及装置、电子设备和存储介质
CN115359046B (zh) 一种脏器血管分割方法、装置、存储介质及电子设备
CN117474879A (zh) 主动脉夹层真假腔分割方法、装置、电子设备及存储介质
CN116152197B (zh) 膝关节分割方法、装置、电子设备及计算机可读存储介质
CN117197454A (zh) 一种肝脏及肝肿瘤数据分割方法及系统
CN116777766A (zh) 图像增强方法、电子设备及存储介质
Fan et al. EGFNet: Efficient guided feature fusion network for skin cancer lesion segmentation
CN114240846A (zh) 降低医学图像病灶分割结果假阳率的系统及方法
CN115552464A (zh) 通过预测有符号距离图进行形状感知器官分割
CN113379770A (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN113343995A (zh) 一种基于反向注意力网络的图像分割方法

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