CN115619810B - 一种前列腺分区分割方法、系统及设备 - Google Patents
一种前列腺分区分割方法、系统及设备 Download PDFInfo
- Publication number
- CN115619810B CN115619810B CN202211629229.2A CN202211629229A CN115619810B CN 115619810 B CN115619810 B CN 115619810B CN 202211629229 A CN202211629229 A CN 202211629229A CN 115619810 B CN115619810 B CN 115619810B
- Authority
- CN
- China
- Prior art keywords
- prostate
- segmentation
- region
- volume
- segmented
- 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.)
- Active
Links
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30081—Prostate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种前列腺分区分割方法、系统及设备。包括:获取前列腺图像;将前列腺图像输入到前列腺分区分割模型中进行初次分割,输出第一次分割结果;将计算得到的前列腺外周带体积和整个腺体体积的比值与阈值进行比较,基于所述比值与阈值的关系进行二次分割,得到最终分割结果。本发明方法旨在基于U‑Net系列模型构建的前列腺分区分割模型对前列腺图像进行粗分类,根据计算的比值与阈值的关系,再通过基于语义分割构建的二次分割模型进行二次分割,实现高精度的分割结果,发掘其在协助前列腺癌手术定位和手术计划以及标准化前列腺特异性抗原密度的潜在应用价值。
Description
技术领域
本发明涉及临床医学中的前列腺图像分割领域,更具体地,涉及一种前列腺分区分割方法、系统、设备、计算机可读存储介质及其应用。
背景技术
前列腺癌是男性最常见的癌症之一。全世界每年有100万男性接受诊断,300,000人死于前列腺癌。MR图像上的准确前列腺分割在与前列腺疾病相关的许多临床应用中起着至关重要的作用。多参数磁共振成像(multi parametric MRI,mpMRI)在前列腺癌的早期诊断中发挥着越来越重要的作用,并且在活检之前被欧洲泌尿外科协会推荐。mpMRI作为前列腺癌临床诊断的常规手段,包括T1WI、T2WI,以及功能MRI如扩散加权成像、动态增强MRI、磁共振波谱等。T1WI和T2WI具有较高的软组织分辨率,能提供前列腺解剖信息。但目前,诊断前列腺癌很困难,即使是放射科医生,其诊断的准确性较多依赖个人经验手动执行,耗时长,且有相当大的阅片者间可变性,一致性也欠佳。因此,计算机辅助诊断成为前列腺mpMRI的研究热点之一。
人工智能在前列腺癌病理诊断上已崭露头角,随着技术更新和智能算法叠进,可针对前列腺mpMRI、CT或超声图像进行智能分割鉴别。许多研究人员已经提出了使用卷积神经网络在T2WI上进行前列腺区域的自动分割方法。已公开的模型的戴斯相似性系数对于中央腺体为0.765-0.938,对于外周带区域为0.640-0.868,但其模型在外部测试数据集中的适用性研究较少,尤其是在更晚期前列腺癌患者中的应用性能。至此,影响分割效能的因素尚未得到彻底分析。
发明内容
本申请的目的在于,针对上述问题,考虑模型性能易受前列腺形态和MR扫描仪参数等的影响,并深入研究患者的临床病理特征、前列腺形态和图像参数如何影响分割性能,提供了一种前列腺分区分割方法、系统、设备、计算机可读存储介质及其应用,旨在基于3DU-Net等深度学习模型构建前列腺区域分割模型,同时通过语义分割实现二次分割,客观地提高分割精度和准确率,发掘其在协助前列腺癌的手术定位和手术计划以及标准化前列腺特异性抗原密度的临床应用价值,在对患者的诊断及决策中提供更充分的技术支持。
根据本申请的第一方面,本申请一实施例提供了一种前列腺分区分割方法,其包括:
获取前列腺图像;
将所述前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积及整个腺体体积,并计算前列腺外周带区域体积和整个腺体体积的比值;
将计算得到的比值与阈值进行比较,基于所述比值与阈值的关系对前列腺图像进行二次分割,得到最终分割结果,所述最终分割结果包括:
当所述前列腺外周带区域体积和整个腺体体积的比值小于第一阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值大于第二阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值介于第一阈值和第二阈值之间,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域的最终分割结果。
在一实施例中,所述获取前列腺图像,还包括获取成像参数以及对所述前列腺图像进行预处理,所述成像参数包括场强、供应商、切片厚度和像素间距;可选的,所述预处理通过数据清理、图像增强的方式对所述前列腺图像重采样并裁剪到输入补丁中,然后通过标准分数进行图像强度归一化。
进一步,所述初次分割基于U-Net系列模型构建的前列腺区域分割模型实现,所述U-Net系列模型包括下列模型中的任意一种或几种:3D U-Net、nnU-Net、BT-Unet、U-Net 3+;所述二次分割通过基于语义分割模型构建的二次分割模型实现,所述语义分割模型通过下列模型中的任意一种或几种实现:ENet、SegViT、RTFormer。
在一实施例中,所述前列腺区域分割模型的构建过程:
S1:获取前列腺图像,对所述前列腺图像进行包括镜像、缩放、旋转和平移在内的数据增强预处理;
S2:基于U-Net系列模型以训练周期500、初始学习率0.01、批次大小为2、损失函数是骰子损失和二元交叉熵损失的组合,通过交叉验证方式训练模型;
S3:使用多变量β回归分析对各分割区域的戴斯相似性系数进行建模,通过平均边界距离、豪斯多夫距离优化模型,得到训练好的前列腺区域分割模型。
在一些实施例中,所述二次分割模型的构建过程:获取前列腺图像及其语义分割标签,基于语义分割模型通过深度语义关联特征学习预测得到前列腺图像的预测语义分割结果,依据所述前列腺图像的预测语义分割结果和预先标注的语义分割信息的损失程度,对模型参数进行适应性调整,得到训练好的二次分割模型,其中,所述适应性调整包括采用批量标准化加速网络收敛速度、优化器AdamW优化模型。
再进一步,在一些实施例中,所述第一次分割结果还包括基于初次分割的前列腺中央腺体区域和前列腺外周带区域,分别计算前列腺中央腺体区域体积、外周带区域体积、整个腺体体积、整个腺体球形度、整个腺体推定圆面积比、前列腺中央腺体区域体积与整个腺体体积之比、前列腺外周带区域体积与整个腺体体积之比;其中,所述整个腺体体积还包括通过计算初次分割的前列腺中央腺体区域与前列腺外周带区域的体积的和得到。
在一实施例中,所述第一阈值为0.38,所述第二阈值为0.45。
在一实施例中,所述的前列腺分区分割方法,还包括:
获取前列腺图像;
将所述前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积,并计算前列腺中央腺体区域体积和整个腺体体积的比值;
将计算得到的比值与中央阈值进行比较,基于所述比值与中央阈值的关系对前列腺图像进行二次分割,得到最终分割结果,所述最终分割结果包括:
当所述前列腺中央腺体区域体积和整个腺体体积的比值小于第一中央阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当所述前列腺中央腺体区域体积和整个腺体体积的比值大于第二中央阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当所述前列腺中央腺体区域体积和整个腺体体积的比值介于第一阈中央值和第二中央阈值之间,通过二次分割模型对前列腺图像进行二次分割,输出二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域为最终分割结果。
进一步,优选的,所述第一中央阈值为0.55,所述第二中央阈值为0.62。
根据本申请的第二方面,本申请一实施例提供了一种前列腺分区分割系统,其包括:
获取模块,用于获取前列腺图像;
第一分割模块,将所述前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积及整个腺体体积,并计算前列腺外周带区域体积和整个腺体体积的比值;
二次分割模块,基于所述比值与阈值的比较关系对前列腺图像进行二次分割,得到最终分割结果,所述最终分割结果包括:
当所述前列腺外周带区域体积和整个腺体体积的比值小于第一阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值大于第二阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值介于第一阈值和第二阈值之间,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域的最终分割结果。
根据本申请的第三方面,本申请一实施例提供了一种前列腺分区分割设备,其主要包括:存储器和处理器;
所述存储器用于存储程序指令,所述程序指令上存储有进行前列腺分区分割的计算机程序,所述计算机程序被处理器执行时,实现所述的前列腺分区分割方法;
所述处理器用于调用程序指令,当程序指令被执行时,用于实现所述的前列腺分区分割方法。
根据本申请的第四方面,本申请一实施例还提供了具体的应用:
上述的设备或系统在协助医师实现MR超声融合活检、放射治疗计划和治疗反应监测中的应用,所述应用通过精准的区域分割进行前列腺癌的定位实现;
上述的设备或系统在理解患者尿路阻塞症状方面的应用;具体的,通过前列腺区域体积的自动计算结果增强对尿路阻塞症状的理解,特别是辅助初级放射科医师进行比较评估其在各数据集中的临床效用、制定相关手术计划等;
上述的设备或系统在指导穿刺决策的制定中的应用,主要通过对患者基础信息(如前列腺形态和图像参数)的计算,构建阳性预测模型,指导穿刺决策;
上述的设备或系统在标准化前列腺特异性抗原密度的计算中的应用,具体的,基于中央腺体、外周带区域及全腺体的分割结果计算相应的形态学特征等,从而得到前列腺特异性抗原密度的计算。
本发明基于区域分割和语义分割等深度学习模型的智能化高精度分割效果,完成前列腺中央腺体和外周带区域的分割,分割性能更好,是一种床旁、无创、无辐射、更具实用性的发明,实现了一种前列腺分区分割方法、系统及设备,具有很强的创新性,对协助医生实现最佳诊断结果产生有益的推动作用。
本申请的优点:
1.本申请创新性的公开一种前列腺分区分割方法,基于3D U-net、uuU-net构建的前列腺区域分割模型对获取的前列腺图像进行粗分割,再通过基于语义分割模型构建的二次分割模型优化分割结果,得到前列腺中央腺体和外周带区域的细粒度分割,客观地提高了影像数据分析的精度和深度;
2.本申请创新性的基于计算的前列腺外周带区域体积和整个腺体体积的比值与阈值的关系对前列腺图像进行二次分割,得到最终分割结果,时效明显;
3.本申请创造性的公开了一种前列腺分区分割系统及设备,对协助医师实现前列腺癌的手术定位、手术计划、标准化前列腺特异性抗原密度的临床应用价值,以及在MR超声融合活检、放射治疗计划和治疗反应监测中的防控意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种前列腺分区分割方法流程示意图;
图2是本发明实施例提供的一种前列腺分区分割系统模块示意图;
图3是本发明实施例提供的一种前列腺区域分割模型的结构示意图;
图4是本发明实施例提供的受前列腺形态影响的3D U-Net分割性能示例图;
图5是本发明实施例提供的基于中央腺体及外周带区域体积的Bland-Altman分析图;
图6是本发明实施例提供的一种前列腺分区分割设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S101、S102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
本申请实施例提供了一种前列腺分区分割方法、一种前列腺分区分割系统、一种前列腺分区分割设备、计算机可读存储介质及其应用。其中,一种前列腺分区分割设备包括终端或者服务器等设备,其终端可以为智能手机、平板电脑、笔记本电脑、个人计算机等终端设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容发布网络(Content Delivery Network,简称CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
图1是本发明实施例提供的一种前列腺分区分割方法流程示意图,具体地,包括如下步骤:
S101:获取前列腺图像。
在一实施例中,获取的前列腺图像数据包括公开数据集MSD前列腺分割、QIN-PROSTATE-Repeatability、PROSTATEx、PANDA和私有数据集。
进一步,获取的前列腺图像的成像由以下序列组成:轴向、矢状和冠状T2加权成像(T2W);轴向高b值(≥1000s/mm²)弥散加权成像(DWI);轴向表观扩散系数图(ADC)。
在一个实施例中,获取前列腺图像,还包括获取成像参数以及对前列腺图像进行预处理。其中,成像参数包括场强、供应商、切片厚度和像素间距。具体的,对于来自PROSTATEx 数据集的患者,使用了两种不同类型的 Siemens 3.0T MR 扫描仪,MAGNETOMTrio 和 Skyra。 私有数据集中的MR 图像是从西门子、GE 和飞利浦等 3 家供应商的 8台不同磁场强度(1.5T 和 3.0T)的 MR 扫描仪中获取的。
再进一步,可选的,预处理通过数据清理、图像增强的方式对前列腺图像重采样并裁剪到输入补丁中,然后通过标准分数进行图像强度归一化。
在一个具体的实施例中,获取的前列腺图像包括接受多参数前列腺MRI和随后活检的初治患者的T2加权图像(T2WI),同时获取场强、供应商、切片厚度和像素间距等成像参数。如果图像质量较差且存在限制中央腺体(Central gland,CG)和外周带(Peripheralzone,PZ)这两个区域之间难以区分的伪影,或者由于广泛的肿瘤浸润而难以识别正常前列腺边缘,则患者被排除在外。
进一步,中央腺体区域的腺体约占前列腺腺体的25%,很少发生癌肿和良性增生病变,前列腺增生时中央区萎缩。
再进一步,外周带区域约占前列腺腺体的70%,是前列腺癌的好发部位。
更进一步,本申请提出的前列腺分区分割主要是指外周带区域和中央腺体的单独划分,在临床诊断与评估中至关重要。
S102:将前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积及整个腺体体积,并计算前列腺外周带区域体积和整个腺体体积的比值。
在一个实施例中,初次分割通过基于U-Net系列模型构建的前列腺区域分割模型实现,所述U-Net系列模型包括下列模型中的任意一种或几种:3D U-Net、nnU-Net、BT-Unet、U-Net 3+。
3D U-Net网络架构是原始U-Net网络架构的一个简单扩展,通过将U-Net原来的2D卷积、池化、上采样操作替换成对应的3D操作,并加入批归一化层实现了对三维医学影像的直接分割。
nnU-Net是一种基于深度学习的自动配置自身的分割方法,包括预处理、网络架构、训练和后处理,可用于生物医学领域的任何新任务,具有数据效率,基于大型和多样化的数据池的编码设计选择,对有限的训练数据集的应用具有很强的归纳偏差。
BT-Unet采用Barlow twin方法对U-Net模型的编码器进行无监督的预训练减少冗余信息,以学习数据表示。之后,对完整网络进行微调以执行实际的分割。
U-Net 3+ 使用了全尺度的跳过连接和深度监督,从全尺度聚合特征图中学习分层表示,提出了混合损失函数和分类引导模块,每个解码器层都融合了来自编码器的较小和相同尺度的特征图以及来自解码器的较大尺度的特征图,通过提供更少的参数,产生更准确的位置感知和边界增强的分割图。
在一个具体实施例中,前列腺区域分割模型的构建过程:
S1:获取前列腺图像,对获取的前列腺图像进行包括镜像、缩放、旋转和平移在内的数据增强预处理;
S2:基于U-Net系列模型以训练周期500、初始学习率0.01、批次大小为2、损失函数是骰子损失和二元交叉熵损失的组合,通过交叉验证方式训练模型;
S3:使用多变量β回归分析对各分割区域的戴斯相似性系数进行建模,通过平均边界距离、豪斯多夫距离优化模型,得到训练好的前列腺区域分割模型。
在一个更为具体的实施例中,前列腺区域分割模型的构建结构如图3所示,基于3DU-Net模型的编码器和解码器组成主干网络,模型超参数由nnU-Net框架生成。将患者的轴向T2WI加权图像输入到前列腺区域分割模型中,依据相互依赖的规则和经验决策,进行预处理、网络架构、训练和分割任务后处理。 具体的,首先,将T2WI加权图像重采样到中值像素间距(3.00 × 0.51 × 0.51)以抵消分辨率不一致造成的偏差,并裁剪到输入补丁(14×352×352)中,通过 z-score 对图像强度进行归一化。然后基于 3D U-Net构建的前列腺区域分割模型通过自配置 nnU-Net 框架以 500 的训练周期数、0.01 的初始学习率和 2的训练示例数,对前列腺区域分割模型进行五折交叉验证过程的训练。在训练阶段,采用了包括镜像、缩放、旋转和平移在内的在线数据增强方法来避免过拟合。损失函数是骰子损失和二元交叉熵损失的组合。然后在推理阶段,将在 5 折交叉验证过程中训练的模型集成结果用作模式预测。最后使用多变量β回归分析对各分割区域的戴斯相似性系数进行建模,通过平均边界距离、豪斯多夫距离优化模型,得到训练好的前列腺区域分割模型。对于输入图像的每个像素,模型预测了非前列腺区域、前列腺中央腺体区域和外周带区域这三个概率,然后将对应于最大概率的标签分配给这个像素。
进一步,患者的轴向 T2WI 图像由放射科专家收集并手动分割(> 1000 个前列腺MRI 解释)作为基本事实;同时由其他放射科专家(>3000 位前列腺 MRI 解读)检查了图像并在必要时修改了轮廓。
在一个实施例中,基于 3D U-Net构建的通过 nnU-Net 自动配置的前列腺区域分割模型进行了训练后,对于输入图像的每个像素,前列腺区域分割模型还预测了非前列腺区域、前列腺中央腺体区域、前列腺外周带区域及整个腺体区域。
在一个实施例中,第一次分割结果还包括基于初次分割的前列腺中央腺体区域和前列腺外周带区域,分别计算前列腺中央腺体区域体积、外周带区域体积、整个腺体体积、整个腺体球形度、整个腺体推定圆面积比、前列腺中央腺体区域体积与整个腺体体积之比、前列腺外周带区域体积与整个腺体体积之比。其中,整个腺体体积还包括通过计算初次分割的前列腺中央腺体区域与前列腺外周带区域的体积的和得到。
图4是本发明实施例提供的受前列腺形态影响的3D U-Net分割性能示例图。在情况图4a中,前列腺增生,前列腺体积增加,外周带区仍可识别;基于 3D U-Net 构建的模型显示了对中央腺体 (CG) 和 外周带区(PZ) 的良好分割,对应的戴斯相似性系数分别为0.953 和 0.894。在情况图4b中,外周带区被中央腺体压缩,即CG/PZ 体积比增加; 外周带区 的分割具有挑战性,其戴斯相似性系数为 0.543。在情况图4c中,尽管肿瘤同时涉及中央腺体和外周带区并且模糊了中央腺体和外周带区的边界,但 3D U-Net 模型仍可以生成带状轮廓,显示了对中央腺体和外周带区的良好分割效果,对应的戴斯相似性系数分别为0.781 和 0.804,从而为前列腺病变的定位提供便利。
进一步,为了分析影响模型在外部测试数据集中自动分割性能的因素,收集了 患者的临床病理数据、前列腺形态特征和 MR 采集参数。对临床病理学数据包括 T 分期(T3-4 与 T2)、前列腺成像报告和数据系统 (PI-RADS) 评分、肿瘤位置(涉及中央腺体和外周带区 与涉及一个解剖区域)和病灶最大直径进行了深入研究。其中,前列腺形态特征包括前列腺中央腺体区域体积、外周带区域体积及整个腺体体积、前列腺中央腺体区域体积/整个腺体体积、整个腺体球形度和 整个腺体推定圆面积比。另一点,MR采集参数包括 MR 场强(3.0T 与 1.5T)、供应商(GE 与非 GE)、切片厚度(> 3 mm 与 ≤ 3 mm)和像素间距(>0.51 与 ≤ 0.51)。最终,制定了本申请提供的前列腺分区分割方法。
在一个实施例中,患者的轴向 T2WI 图像由放射科专家收集并手动分割(> 1000个前列腺 MRI 解释)作为基本事实;再由其他放射科专家(>3000 位前列腺 MRI 解读)检查了图像并在必要时修改了轮廓。MR 图像的手动分割在 Deepwise 研究平台(DeepwiseHealthcare,http://label.deepwise.com)上进行。
进一步,基于放射科专家手动分割中央腺体和周边区以作为基本事实。中央腺体包括 中央腺体中心区以及前纤维肌间质。 周边区是通过整个腺体减去中央腺体 获得的。对于同时累及中央腺体和外周带区的病变,或扩大前列腺边界,放射科医师对前列腺的自然边缘进行标注,因此,标注可作为病变定位和前列腺外病变识别的依据或基本事实。
本申请的前列腺区域分割模型还在公共数据集中显示了良好的结果,中央腺体和外周带区域分割的平均戴斯相似性系数分别为 0.889 和 0.755。在由晚期前列腺癌组成的私人外部测试数据集中, 前列腺区域分割模型也显示出可喜的结果。无论肿瘤扩展如何,基于3D U-Net 模型都能识别前列腺解剖区的自然边界,与放射科医师高度一致(如图4所示),可以作为前列腺肿瘤定位和前列腺外癌识别的基础。与之前在私有外部测试数据集中测试 CNN 模型性能的研究相比, 模型应用于具有不同临床情景的患者,并考虑了患者的临床病理特征。此外,即使没有微调过程,经过训练的模型在外部测试中仍然表现出良好的性能。前列腺极端部位的分割具有挑战性。基于3D U-Net 模型构建的前列腺区域分割模型在外周带区分割中优于初级放射科医生,具有显着更高的戴斯相似性系数和更好的体积估计一致性,并且在中央腺体的分割中,与初级放射科医生相媲美。
图5是本发明实施例提供的基于中央腺体及外周带区域体积的Bland-Altman分析图。以专家的手动分割为基准,将放射科医生的表现与自动分割模型的表现进行了比较,计算了放射科医师和3D U-Net 的前列腺体积计算变异性,并将两者进行了比较。如图5(a-b)所示的Bland-Altman绘制了3D U-Net模型和基础事实,图5(c-d)以及初级放射医师和专家放射医师对前列腺中心腺和周围区体积估计的一致性。其标准差表示的是平均差值以下和以上的差值的标准差。
从图5中,可以看出区域分割在前列腺疾病的管理中很重要。许多研究已经证明了训练 CNN 模型进行区域分割的可行性,缺乏在非公开数据集中的验证和对患者特征的考虑。在具有不同临床病理学特征的患者队列中的应用性能仍然未知。此外,影响分割性能的因素很少被研究。在本申请中,训练了一个3D U-Net 用于前列腺区域分割模型,并应用了两个外部测试数据集来评估其在不同患者群体中的临床效用。该模型在所有测试组中都取得了良好的性能,并且在外周带区分割方面优于初级放射科医生,在体积估计方面具有更高的戴斯相似性系数和组内相关系数。模型性能被证明易受前列腺形态和MR 扫描仪参数的影响,在训练好的前列腺区域分割模型中表现出良好的性能。 由于外周带区的不规则形态,外周带区中的体积计算变异性高于中央腺体。初级放射科医师的中央腺体体积估计的组内相关系数非常好,而外周带区域体积估计的组内相关系数显示出适度的一致性。初级放射科医师缺乏对前列腺解剖结构的良好掌握,并包括一些前列腺周围脂肪作为外周带区域,这导致外周带区域体积的过度计算。本申请基于3D U-Net、nnU-Net构建的前列腺区域分割模型进行的体积测量与使用椭球公式获得的相比,提供了可靠的前列腺体积估计,能够提供比初级放射科医生更快、更准确的前列腺区域体积计算,尤其是在外周带区域中,这可以作为准确的前列腺特异性抗原密度计算和患者阻塞症状分析的有用工具。
S103:将计算得到的比值与阈值进行比较,基于所述比值与阈值的关系对前列腺图像进行二次分割,得到最终分割结果。
在一个实施例中,得到的最终分割结果包括:
当前列腺外周带区域体积和整个腺体体积的比值小于第一阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当前列腺外周带区域体积和整个腺体体积的比值大于第二阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当前列腺外周带区域体积和整个腺体体积的比值介于第一阈值和第二阈值之间,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域的最终分割结果。
在一个实施例中,第一阈值为0.38、第二阈值为0.45。
在一个实施例中,二次分割通过下列语义分割模型中的任意一种或几种构建的二次分割模型实现:ENet、SegViT、RTFormer、RefineNet。
ENet包含了一个大的编码器和一个小的解码器,是一种轻量级语义分割网络,是语义分割的快速实现,在考虑分割精确度的同时,还要考虑分割的实时性能。下采样过程使用了扩张卷积,可以很好的平衡图像分辨率和图像感受野,实现在不降低特征图分辨率的同时扩大图像目标的感受野。
SegViT提出了一个注意力掩码解码器模块,首次利用空间注意力机制的视觉Transformer(ViT)中的空间信息为每个类别生成Mask预测,以级联方式将ATM解码器模块应用于普通、非分层的ViT主干。
RTFormer,一种用于实时语义分割的高效双分辨率Transformer,在性能和效率之间取得了更好的平衡,利用具有线性复杂性的GPU Friendly Attention实现高推理效率,通过传播从低分辨率分支学到的高层次知识,跨分辨率注意力更有效地为高分辨率分支收集全部上下文信息。
RefineNet是一种生成式的多路径增强网络,利用多级别的抽象用于高分辨率语义分割;通过使用带残差连接的同态映射构建所有组件;提出了链式残差池化模块,从较大的图像区域俘获背景上下文,并使用残差连接和学习到的权重融合到一起,以一种高效的方式捕捉更加丰富的背景上下文信息。
在一个具体实施例中,二次分割模型的构建过程:获取前列腺图像及其语义分割标签,基于语义分割模型通过深度语义关联特征学习预测得到前列腺图像的预测语义分割结果,依据预测语义分割结果和预先标注的语义分割信息的损失程度,对模型参数进行适应性调整,得到训练好的二次分割模型。其中,适应性调整包括采用批量标准化加速网络收敛速度、优化器AdamW优化模型。
在一个实施例中,上述方法,还包括:
获取前列腺图像;
将前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积,并计算前列腺中央腺体区域体积和整个腺体体积的比值;
将计算得到的比值与中央阈值进行比较,基于比值与中央阈值的关系对前列腺图像进行二次分割,得到最终分割结果。
进一步,最终分割结果包括:
当前列腺中央腺体区域体积和整个腺体体积的比值小于第一中央阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当前列腺中央腺体区域体积和整个腺体体积的比值大于第二中央阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当前列腺中央腺体区域体积和整个腺体体积的比值介于第一阈中央值和第二中央阈值之间,通过二次分割模型对前列腺图像进行二次分割,输出二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域为最终分割结果。
进一步,第一中央阈值为0.55,第二中央阈值为0.62。
再进一步,本实施例中的前列腺区域分割模型和二次分割模型的构建及使用同上所述,在此不再赘述。
将上述方法用于前列腺分区分割是可行性的,同理,基于3D U-net、uuU-net构建的前列腺区域分割模型对获取的前列腺图像进行粗分割,再通过基于语义分割模型构建的二次分割模型优化分割结果,得到前列腺中央腺体和外周带区域的细粒度分割,客观地提高了影像数据分析的精度和深度,是一种床旁、无创、无辐射、更具实用性的方法,使得本申请在协助医师实现前列腺癌的手术定位、手术计划、标准化前列腺特异性抗原密度的临床应用价值和有关患者MR超声融合活检、放射治疗计划和治疗反应监测中的辅助分析方面更有利。
本发明实施例提供的一种前列腺分区分割系统,如图2所示,其包括:
S201:获取模块,用于获取前列腺图像。
S202:第一分割模块,将前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积及整个腺体体积,并计算前列腺外周带区域体积和整个腺体体积的比值;
S203:二次分割模块,基于所述比值与阈值的比较关系对前列腺图像进行二次分割,得到最终分割结果。
其中,所述最终分割结果包括:
当前列腺外周带区域体积和整个腺体体积的比值小于第一阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当前列腺外周带区域体积和整个腺体体积的比值大于第二阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当前列腺外周带区域体积和整个腺体体积的比值介于第一阈值和第二阈值之间,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域的最终分割结果。
在一个实施例中,一种前列腺分区分割系统的主要环境配置如下:
处理器≥i5-7500
主频≥3.5GHz
显卡≥RTX1060
内存≥16G
硬盘≥512G SSD
系统:Windows10 X64。
图6是本发明实施例提供的一种前列腺分区分割设备示意图,该设备包括:存储器和处理器;该设备还可以包括:输入装置和输出装置。
在一实施例中,存储器、处理器、输入装置和输出装置可以通过总线或者其他方式连接,图6所示的以总线连接方式为例;其中,存储器用于存储程序指令;处理器用于调用程序指令,当程序指令被执行时,用于执行上述前列腺分区分割方法。
本发明提供的一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述前列腺分区分割方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的;例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;例如,多个模块或组件可以结合或者集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或模块的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。具体的,根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成模块既可以采用硬件形式实现,也可以采用软件功能模块的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过相关程序指令来完成硬件程序,此硬件程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种前列腺分区分割的计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种前列腺分区分割方法,包括:
获取前列腺图像;
将所述前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积及整个腺体体积,并计算前列腺外周带区域体积和整个腺体体积的比值,所述初次分割基于U-Net系列模型构建的前列腺区域分割模型实现,所述U-Net系列模型包括下列模型中的任意一种或几种:3D U-Net、nnU-Net、BT-Unet、U-Net 3+;
将计算得到的比值与阈值进行比较,基于所述比值与阈值的关系对前列腺图像进行二次分割,得到最终分割结果,所述二次分割通过基于语义分割模型构建的二次分割模型实现,所述最终分割结果包括:
当所述前列腺外周带区域体积和整个腺体体积的比值小于第一阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值大于第二阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值介于第一阈值和第二阈值之间,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域,输出二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域作为最终分割结果。
2.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述语义分割模型通过下列模型中的任意一种或几种实现:ENet、SegViT、RTFormer。
3.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述前列腺区域分割模型的构建过程:
S1:获取前列腺图像,对所述前列腺图像进行包括镜像、缩放、旋转和平移在内的数据增强预处理,得到预处理的前列腺图像;
S2:将所述预处理的前列腺图像输入到U-Net系列模型,得到各分割区域,所述各分割区域包括前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,所述U-Net系列模型的初始参数设置为:训练周期500、初始学习率0.01、批次大小为2、损失函数为骰子损失函数和二元交叉熵损失函数的组合,采用交叉验证方式对所述U-Net系列模型训练得到初步的前列腺区域分割模型;
S3:使用多变量β回归分析计算各分割区域的戴斯相似性系数,基于戴斯相似性系数这一评价指标来评价初步的前列腺区域分割模型,然后通过平均边界距离、豪斯多夫距离来优化初步的前列腺区域分割模型,得到训练好的前列腺区域分割模型。
4.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述二次分割模型的构建过程:获取前列腺图像及其语义分割标签,基于语义分割模型通过深度语义关联特征学习预测得到前列腺图像的预测语义分割结果,依据所述前列腺图像的预测语义分割结果和预先标注的语义分割信息的损失程度,对所述语义分割模型参数进行适应性调整,得到训练好的二次分割模型。
5.根据权利要求4所述的前列腺分区分割方法,其特征在于,所述适应性调整包括采用批量标准化加速网络收敛速度、采用优化器AdamW优化语义分割模型。
6.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述第一次分割结果还包括整个腺体球形度、整个腺体推定圆面积比、前列腺中央腺体区域体积与整个腺体体积之比、前列腺外周带区域体积与整个腺体体积之比。
7.根据权利要求6所述的前列腺分区分割方法,其特征在于,所述整个腺体体积还包括通过计算初次分割的前列腺中央腺体区域与前列腺外周带区域的体积的和得到。
8.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述方法还包括:获取前列腺图像;
将所述前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积,并计算前列腺中央腺体区域体积和整个腺体体积的比值;
将计算得到的比值与中央阈值进行比较,基于所述比值与中央阈值的关系对前列腺图像进行二次分割,得到最终分割结果,所述最终分割结果包括:
当所述前列腺中央腺体区域体积和整个腺体体积的比值小于第一中央阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当所述前列腺中央腺体区域体积和整个腺体体积的比值大于第二中央阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当所述前列腺中央腺体区域体积和整个腺体体积的比值介于第一阈中央值和第二中央阈值之间,通过二次分割模型对前列腺图像进行二次分割,输出二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域为最终分割结果。
9.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述第一阈值为0.38、所述第二阈值为0.45。
10.根据权利要求8所述的前列腺分区分割方法,其特征在于,所述第一中央阈值为0.55,所述第二中央阈值为0.62。
11.根据权利要求1所述的前列腺分区分割方法,其特征在于,所述获取前列腺图像,还包括获取成像参数以及对所述前列腺图像进行预处理,所述成像参数包括场强、供应商、切片厚度和像素间距。
12.根据权利要求11所述的前列腺分区分割方法,其特征在于,所述预处理通过数据清理、图像增强的方式对所述前列腺图像重采样并裁剪到输入补丁中,然后通过标准分数进行图像强度归一化。
13.一种前列腺分区分割系统,包括:
获取模块,用于获取前列腺图像;
第一分割模块,将所述前列腺图像输入到前列腺区域分割模型中进行初次分割,输出第一次分割结果,所述第一次分割结果包括初次分割的前列腺中央腺体区域、前列腺外周带区域及整个腺体区域,分别计算初次分割的前列腺中央腺体区域体积、前列腺外周带区域体积及整个腺体体积,并计算前列腺外周带区域体积和整个腺体体积的比值,所述初次分割基于U-Net系列模型构建的前列腺区域分割模型实现,所述U-Net系列模型包括下列模型中的任意一种或几种:3D U-Net、nnU-Net、BT-Unet、U-Net 3+;
二次分割模块,基于所述比值与阈值的比较关系对前列腺图像进行二次分割,得到最终分割结果,所述二次分割通过基于语义分割模型构建的二次分割模型实现,所述最终分割结果包括:
当所述前列腺外周带区域体积和整个腺体体积的比值小于第一阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺外周带区域,输出初次分割的前列腺中央腺体区域、二次分割的前列腺外周带区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值大于第二阈值,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域,输出初次分割的前列腺外周带区域、二次分割的前列腺中央腺体区域作为最终分割结果;
当所述前列腺外周带区域体积和整个腺体体积的比值介于第一阈值和第二阈值之间,通过二次分割模型对前列腺图像进行二次分割,得到二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域,输出二次分割的前列腺中央腺体区域和二次分割的前列腺外周带区域作为最终分割结果。
14.一种前列腺分区分割设备,其特征在于,所述设备包括:存储器和处理器;所述存储器用于存储程序指令,所述程序指令上存储有进行前列腺分区分割的计算机程序;所述处理器用于调用程序指令,当程序指令被执行时,用于实现权利要求1-12任意一项所述的前列腺分区分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211629229.2A CN115619810B (zh) | 2022-12-19 | 2022-12-19 | 一种前列腺分区分割方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211629229.2A CN115619810B (zh) | 2022-12-19 | 2022-12-19 | 一种前列腺分区分割方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619810A CN115619810A (zh) | 2023-01-17 |
CN115619810B true CN115619810B (zh) | 2023-10-03 |
Family
ID=84879680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211629229.2A Active CN115619810B (zh) | 2022-12-19 | 2022-12-19 | 一种前列腺分区分割方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619810B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969852A (zh) * | 2008-03-04 | 2011-02-09 | 断层放疗公司 | 用于改进图像分割的方法和系统 |
CN106683104A (zh) * | 2017-01-06 | 2017-05-17 | 西北工业大学 | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 |
CN108765427A (zh) * | 2018-05-17 | 2018-11-06 | 北京龙慧珩医疗科技发展有限公司 | 一种前列腺图像分割方法 |
CN109636813A (zh) * | 2018-12-14 | 2019-04-16 | 中南民族大学 | 前列腺磁共振图像的分割方法及系统 |
CN109636806A (zh) * | 2018-11-22 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
CN111091527A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种病理组织切片图像中病变区域自动检测方法及系统 |
CN111476292A (zh) * | 2020-04-03 | 2020-07-31 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
CN112184657A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机系统 |
CN112561860A (zh) * | 2020-11-23 | 2021-03-26 | 重庆邮电大学 | 一种基于先验形状约束的BCA-UNet肝脏分割方法 |
CN112634192A (zh) * | 2020-09-22 | 2021-04-09 | 广东工业大学 | 一种结合小波变换的级联U-N Net脑肿瘤分割方法 |
CN112967287A (zh) * | 2021-01-29 | 2021-06-15 | 平安科技(深圳)有限公司 | 基于图像处理的胃癌病灶识别方法、装置、设备和存储介质 |
CN113223010A (zh) * | 2021-04-22 | 2021-08-06 | 北京大学口腔医学院 | 口腔图像多组织全自动分割的方法和系统 |
CN114037714A (zh) * | 2021-11-02 | 2022-02-11 | 大连理工大学人工智能大连研究院 | 一种面向前列腺系统穿刺的3d mr与trus图像分割方法 |
CN114240961A (zh) * | 2021-11-15 | 2022-03-25 | 西安电子科技大学 | 一种U-Net++细胞分割网络系统、方法、设备及终端 |
CN114399501A (zh) * | 2022-01-27 | 2022-04-26 | 中国医学科学院北京协和医院 | 基于深度学习卷积神经网络的自动分割前列腺全腺体方法 |
CN114820520A (zh) * | 2022-04-24 | 2022-07-29 | 广东工业大学 | 一种前列腺图像分割方法及前列腺癌智能辅助诊断系统 |
CN114862747A (zh) * | 2021-02-04 | 2022-08-05 | 复旦大学 | 一种基于信息补全的全卷积细化网络腺体图像分割方法 |
CN115169533A (zh) * | 2022-07-05 | 2022-10-11 | 三峡大学 | 双向指数加权移动平均算法的前列腺超声图像分割方法 |
CN115272170A (zh) * | 2022-05-31 | 2022-11-01 | 复旦大学 | 基于自适应多尺度Transformer优化的前列腺MRI影像分割方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019105976A1 (en) * | 2017-11-28 | 2019-06-06 | Cadess Medical Ab | Prostate cancer tissue image classification with deep learning |
CN113272859A (zh) * | 2019-01-07 | 2021-08-17 | 西尼诊断公司 | 用于平台中立性全身图像分段的系统及方法 |
-
2022
- 2022-12-19 CN CN202211629229.2A patent/CN115619810B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969852A (zh) * | 2008-03-04 | 2011-02-09 | 断层放疗公司 | 用于改进图像分割的方法和系统 |
CN106683104A (zh) * | 2017-01-06 | 2017-05-17 | 西北工业大学 | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 |
CN108765427A (zh) * | 2018-05-17 | 2018-11-06 | 北京龙慧珩医疗科技发展有限公司 | 一种前列腺图像分割方法 |
CN111091527A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种病理组织切片图像中病变区域自动检测方法及系统 |
CN109636806A (zh) * | 2018-11-22 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于多步学习的三维核磁共振胰腺图像分割方法 |
CN109636813A (zh) * | 2018-12-14 | 2019-04-16 | 中南民族大学 | 前列腺磁共振图像的分割方法及系统 |
CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
CN111476292A (zh) * | 2020-04-03 | 2020-07-31 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
CN112634192A (zh) * | 2020-09-22 | 2021-04-09 | 广东工业大学 | 一种结合小波变换的级联U-N Net脑肿瘤分割方法 |
CN112184657A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机系统 |
CN112561860A (zh) * | 2020-11-23 | 2021-03-26 | 重庆邮电大学 | 一种基于先验形状约束的BCA-UNet肝脏分割方法 |
CN112967287A (zh) * | 2021-01-29 | 2021-06-15 | 平安科技(深圳)有限公司 | 基于图像处理的胃癌病灶识别方法、装置、设备和存储介质 |
CN114862747A (zh) * | 2021-02-04 | 2022-08-05 | 复旦大学 | 一种基于信息补全的全卷积细化网络腺体图像分割方法 |
CN113223010A (zh) * | 2021-04-22 | 2021-08-06 | 北京大学口腔医学院 | 口腔图像多组织全自动分割的方法和系统 |
CN114037714A (zh) * | 2021-11-02 | 2022-02-11 | 大连理工大学人工智能大连研究院 | 一种面向前列腺系统穿刺的3d mr与trus图像分割方法 |
CN114240961A (zh) * | 2021-11-15 | 2022-03-25 | 西安电子科技大学 | 一种U-Net++细胞分割网络系统、方法、设备及终端 |
CN114399501A (zh) * | 2022-01-27 | 2022-04-26 | 中国医学科学院北京协和医院 | 基于深度学习卷积神经网络的自动分割前列腺全腺体方法 |
CN114820520A (zh) * | 2022-04-24 | 2022-07-29 | 广东工业大学 | 一种前列腺图像分割方法及前列腺癌智能辅助诊断系统 |
CN115272170A (zh) * | 2022-05-31 | 2022-11-01 | 复旦大学 | 基于自适应多尺度Transformer优化的前列腺MRI影像分割方法及系统 |
CN115169533A (zh) * | 2022-07-05 | 2022-10-11 | 三峡大学 | 双向指数加权移动平均算法的前列腺超声图像分割方法 |
Non-Patent Citations (3)
Title |
---|
叶丹.《临床护理常用技术与规范》.上海交通大学出版社,2020,364. * |
姜玉新.《超声医学高级教程》.人民军医出版社,2012,261. * |
沈旭东 等.基于Unet的多任务医学图像语义分割模型.电子器件.2022,第45卷(第3期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115619810A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11869202B2 (en) | Method and system for processing multi-modality image | |
US20230267611A1 (en) | Optimization of a deep learning model for performing a medical imaging analysis task | |
AU2017209046B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
US9858665B2 (en) | Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models | |
CN108428233B (zh) | 基于知识的自动图像分割 | |
CN112561869B (zh) | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 | |
CN114926477A (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
Osadebey et al. | Three-stage segmentation of lung region from CT images using deep neural networks | |
Qian et al. | Breast cancer diagnosis using evolving deep convolutional neural network based on hybrid extreme learning machine technique and improved chimp optimization algorithm | |
Savaashe et al. | A review on cardiac image segmentation | |
CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
Nizamani et al. | Advance Brain Tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data | |
Davamani et al. | Biomedical image segmentation by deep learning methods | |
Fontanella et al. | Diffusion models for counterfactual generation and anomaly detection in brain images | |
Luo et al. | Tissue segmentation in nasopharyngeal ct images using two-stage learning | |
Cui et al. | Automatic Segmentation of Kidney Volume Using Multi-Module Hybrid Based U-Shape in Polycystic Kidney Disease | |
Gross et al. | Automated MRI liver segmentation for anatomical segmentation, liver volumetry, and the extraction of radiomics | |
CN115619810B (zh) | 一种前列腺分区分割方法、系统及设备 | |
CN115797308A (zh) | 一种基于dce-mri的乳腺肿瘤分割方法 | |
Yang et al. | frontiers Frontiers in Oncology REVIEW published: 13 July 2022 | |
Thool et al. | Artificial Intelligence in Medical Imaging Data Analytics using CT Images | |
Devi et al. | Hybrid convolutional neural network based segmentation of visceral and subcutaneous adipose tissue from abdominal magnetic resonance images | |
Lewis et al. | Quantifying the importance of spatial anatomical context in cadaveric, non-contrast enhanced organ segmentation | |
CN116798611B (zh) | 肝硬化结节的良恶性质预测装置、方法、设备及介质 | |
Harishbhai | Automated Brain Tumor Segmentation and Survival Prediction using Multimodal MRI |
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 |