CN117078703B - 一种基于mri引导的ct图像分割方法及系统 - Google Patents
一种基于mri引导的ct图像分割方法及系统 Download PDFInfo
- Publication number
- CN117078703B CN117078703B CN202311101342.8A CN202311101342A CN117078703B CN 117078703 B CN117078703 B CN 117078703B CN 202311101342 A CN202311101342 A CN 202311101342A CN 117078703 B CN117078703 B CN 117078703B
- Authority
- CN
- China
- Prior art keywords
- image
- mri
- segmentation
- discriminator
- mri image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004451 qualitative analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 12
- 208000027418 Wounds and injury Diseases 0.000 abstract description 3
- 230000006378 damage Effects 0.000 abstract description 3
- 208000014674 injury Diseases 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 71
- 238000002591 computed tomography Methods 0.000 description 69
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于MRI引导的CT图像分割方法及系统,属于CT图像分割技术领域,包括:采集第一MRI图像,与第一MRI图像配对的第一CT图像,以及不与第一MRI图像配对的第三CT图像;将第一CT图像,通过第一生成器,生成第二MRI图像;将第二MRI图像和第一MRI图像,通过第二生成器,生成第二CT图像;基于第二CT图像,通过分割网络进行训练,构建用于生成分割掩膜图的分割模型;可利用分割网络对第三CT图像进行分割;本发明在训练阶段将真实CT和MRI图像作为输入,在测试阶段仅仅使用CT图像作为输入,以此降低了成本、减少了病人的伤害并提高了分割性能。
Description
技术领域
本发明涉及CT图像分割技术领域,具体而言,涉及一种基于MRI引导的CT图像分割方法及系统。
背景技术
医学图像通常涉及多种成像模态,例如计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射计算机断层扫描(PET-CT)等。每种成像模态提供了不同类型的信息,CT图像在解剖结构中表现出详细的信息,如器官、组织形状、密度和位置,但在腹部或者肺部图像中缺乏MRI中带来的软组织对比度和病理性质等。对于脑部信息,MRI图像还可以提供脑部中功能连接、代谢物浓度和血流动力学等信息。在临床医学应用中,医生通过分割医学图像中的解剖结构和病变区域,为病人指定后续的治疗方案。因此,准确分割医生感兴趣的区域,对于临床具有十分重要的作用。常见的分割网络包括全卷积网络(FCNs)、U-Net和V-Net等。然而,卷积神经网络无法很好地获取全局依赖性,故出现了大量基于Transformer的分割网络用于医学图像,然而,这些医学图像分割任务中,多数采用CT图像/MRI图像(单模态)对目标进行分割,将CT和MRI图像同时输入模型中,可以同时获得这两个模态带来的结构和功能信息。但在临床应用中,MRI图像的扫描时间比CT时间更长,再加上扫描MRI图像的花费成本大于扫描CT,因此,急需设计一种通过MRI引导下的CT图像分割技术,以克服MRI图像在实际应用中存在的问题。
发明内容
为了解决上述问题,本发明的目的是提出一种基于目标模态标签(MRI)引导的CT图像分割技术,在不使用MRI图像,仅有CT图像作为输入的情况下,仍然具有优秀的分割性能。
为了实现上述技术目的,本申请提供了一种基于MRI引导的CT图像分割方法,包括以下步骤:
采集第一MRI图像,与第一MRI图像配对的第一CT图像,以及不与第一MRI图像配对的第三CT图像;
将第一CT图像,通过第一生成器,生成第二MRI图像;
将第二MRI图像和第一MRI图像,通过第二生成器,生成具有MRI特征信息的第二CT图像;
基于第二CT图像,通过分割网络进行训练,构建用于生成分割掩膜图的分割模型,对第三CT图像进行分割。
优选地,在生成第二MRI图像的过程中,通过第一判别器,将第一CT图像通过第一生成器生成的MRI图像,与第一MRI图像进行真实性对比,用于减小第二MRI图像与第一MRI图像的差异。
优选地,在通过第一判别器进行真实性对比的过程中,设置第一对抗损失函数,使得第一判别器与第一生成器相互促进,用于控制第一判别器,识别不到第二MRI图像与第一MRI图像的差异,其中,第一对抗损失函数表示为:
LossGAN(Gy,DY)=E[log(DY(y′))]
式中,Gy表示第一生成器,x表示第一CT图片,y’表示第二MRI图像,E表示求期望函数,DY表示第一判别器。
优选地,在生成第二CT图像的过程中,通过第二判别器,将第二MRI图像和第一MRI图像,通过第二生成器生成的CT图像,与第一CT图像进行真实性对比,用于减小第二CT图像与第一CT图像的差异。
优选地,在通过第二判别器进行真实性对比的过程中,设置第二对抗损失函数,使得第二判别器与第二生成器相互促进,用于控制第二判别器,识别不到第二CT图像与第一CT图像的差异,其中,第二对抗损失函数表示为:
LossGAN(Gx,DX)=E[log(DX(x’))]
式中,x’表示第二CT图像,Gx表示第二生成器,DX表示第二判别器。
优选地,在生成第二CT图像的过程中,通过设置循环一致性损失函数,使得第二MRI图像、第一MRI图像之间、第一CT图像和第二CT图像之间的内容相同,其中,循环一致性损失函数表示为:
CycleConsistencyloss(Gy,Gx,A,B)=||Gy(Gx(y))-y||+||Gx(Gy(x)-x||
式中,y表示由第一MRI图像和第二MRI图像组成的MRI图像。
优选地,在通过分割模型生成分割掩膜图的过程中,将第一生成器在解码阶段每一层的特征,与分割模型中编码阶段的特征图,利用特征模块相融合,使得编码器提取的信息包括第一CT图像中的信息以及第二CT图像中包含的MRI特征信息,并利用解码器获得分割掩膜图,其中,分割阶段的损失函数为:
式中,Y表示真实的分割标签,表示分割模型预测的分割掩膜,N表示样本数量,C表示类别数量,Yij表示第i个样本的第j个类别的真实标签,/>表示模型在第i个样本的第j个类别中的预测结果。
优选地,在生成分割掩膜图的过程中,通过第一MRI图像和第一CT图像,获取医生标注的分割标签图像,与生成的分割掩膜图进行定性分析,判断分割标签图像的准确性,其中,定性分析的过程包括:
Dice=(2*|A∩B|)/(|A|+|B|)
式中,A表示模型预测的分割掩模图,B为医生标注的分割标签。|A|表示分割掩模图中分割结果中的正样本数,|B|表示分割标签中的正样本数,|A∩B|表示分割掩模图和分割标签中正确预测正样本数的交集。
本发明公开了一种基于MRI引导的CT图像分割系统,包括:
数据采集模块,用于采集第一MRI图像以及与第一MRI图像配对的第一CT图像,以及不具备第一MRI图像配对的第三CT图像;
第一数据处理模块,用于将第一CT图像,通过第一生成器,生成第二MRI图像;
第二数据处理模块,用于将第二MRI图像和第一MRI图像,通过第二生成器,生成具有MRI特征信息的第二CT图像;
分割模块,用于通过构建的分割模型,对第三CT图像进行分割,生成分割掩膜图,其中,根据第二CT图像,对UNet分割网络进行训练,构建分割模型。
优选地,第一数据处理模块和第二数据处理模块,还包括用于减少生成图像与真实图像差异的判别器模块。
本发明公开了以下技术效果:
本发明在训练阶段将真实CT和MRI图像作为输入,在测试阶段仅仅使用CT图像作为输入,以此降低了成本、减少了病人的伤害并提高了分割性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所述的MRI引导的CT图像分割框架训练阶段示意图;
图2是本发明所述的MRI引导的CT图像分割框架测试阶段示意图;
图3是本发明所述的特征融合模块示意图;
图4是本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1-4所示,本发明为了引入MRI的结构信息,同时在测试阶段时不需要真实世界采集的MRI图像,本发明旨在提供一种MRI引导的CT图像分割技术。该技术在训练阶段将真实CT和MRI图像作为输入,在测试阶段仅仅使用CT图像作为输入,以此降低了成本、减少了病人的伤害并提高了分割性能。针对上述问题,本发明需要解决的问题是如何在仅有CT图像作为输入的情况下,仍然具有优秀的分割性能。该发明包括以下技术:
1.设计了一个MRI引导的CT图像分割框架;
2.该框架包括生成模型、分割模型和特征融合模块;
3.生成模型包括生成器和判别器。
本发明设计的MRI引导的CT图像分割框架设计如下:
该框架包括训练阶段和测试阶段。首先需要采集MRI数据和CT数据,将MRI数据和配对的CT数据、分割标签划分为训练集,另外采集的CT数据和医生标注好的分割标签作为测试集。尽量采用多个医疗机构或多个扫描设备采集数据,以减少特定设备或机构的偏见。在划分训练集和测试集的时候,需要按照病人划分、以此防止在测试集种造成数据泄露。在训练阶段,将MRI和CT图像作为输入,利用MRI和CT图像的优势形成互补性以此提取和定位感兴趣的解剖结构或病理区域。首先利用训练集中采集到的CT图像通过生成器输出MRI图像,常见的生成器可采用编码器-解码器结构,即Gy(x)=y’,Gy表示生成器,x表示输入的CT图片,y’表示生成的MRI图像。然后将生成的MRI图像输入判别器DY,使判别器判断生成的MRI图像是否具有真实MRI图像的特征。这样可令生成的MRI图像保持CT图像中的内容,但拥有MRI图像的特征。为保证生成器和判别器相互促进,进而提高生成器产生更真实的图片,设置生成对抗(Gan)损失,其数学表达式如下:
LossGAN(Gy,DY)=E[log(DY(y’)]
其中E表示求期望函数,该损失函数是为了使生成器生成的图像能够迷惑判别器,使其无法区分真实图像和生成图像。在第二个生成器中,将真实的MRI图像和生成的MRI图像作为输入,即Gx(y)=x’,y表示MRI图像,x’表示生成的CT图像。然后将生成的CT图像输入判别器DX。同理,设置生成对抗(Gan)损失的数学表达式如下:
LossGAN(Gx,DX)|=E[log(DX(x))]
为了使生成的MRI图像与真实CT图像以及生成的CT图像和真实MRI图像之间只是模态风格不同,而内容相同,引入了循环一致性损失(CycleConsistencyLoss),其数学表达式如下:
CycleConsistencyLoss(Gy,Gx,A,B)=||Gy(Gx(y)-y||+||Gx(Gy(x)-x||
在每一轮训练中,将生成器Gy中解码阶段每一层的特征与分割模型中编码阶段的特征图利用特征模块相融合。此时编码器提取的信息包括输入CT图像中的信息以及生成器Gy中包含的MRI特征信息,最后利用解码器获得分割掩膜图。分割阶段的损失函数包括但限于交叉熵损失:
其中,Y表示真实的分割标签(groundtruth),表示分割模型预测的分割掩膜,N表示样本数量,C表示类别数量。Yij表示第i个样本的第j个类别的真实标签,/>表示模型在第i个样本的第j个类别中的预测结果。
该框架的总体损失可以表示为以下形式:
TotalLoss=LossGan+GycleConsistencyLoss+LossSeg
在测试阶段,将CT图像输入生成器Gy中,将生成器Gy中解码阶段每一层的特征图与分割模型中编码阶段的特征图相融合。然后通过(包括但不限于)UNet分割网络输出最后的分割掩膜图。
实施例:以2D图像为例,将收集到的数据集按照8:2的比例划分训练集和测试集,并将图片统一缩放到512×512。在训练图片输入模型之前进行数据增强,包括但不限于随机旋转、随机翻转、随机对比度增强。根据数据设置学习率,包括但不限于0.0001。每一轮训练后更新网络中参数,训练目标为将损失值达到最小,直到收敛,训练完成。训练完成以后保存好模型权重。测试阶段,将模型加载训练阶段保存的权重。CT图像作为输入,输出为分割掩膜图。将输出后的分割掩模图与分割标签求定性指标,包括但不限于Dice分数。以二值分割为例,Dice分数的数学表达式如下:
Dice=(2*|A∩B|)/(|A|+|B|)
其中A表示模型预测的分割掩模图,B为医生标注的分割标签。|A|表示分割掩模图中分割结果中的正样本数,|B|表示分割标签中的正样本数,|A∩B|表示分割掩模图和分割标签中正确预测正样本数的交集。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于MRI引导的CT图像分割方法,其特征在于,包括以下步骤:
采集第一MRI图像,与所述第一MRI图像配对的第一CT图像,以及不与所述第一MRI图像配对的第三CT图像;
将所述第一CT图像,通过第一生成器,生成第二MRI图像;
将所述第二MRI图像和所述第一MRI图像,通过第二生成器,生成具有MRI特征信息的第二CT图像;
基于所述第二CT图像,通过分割网络进行训练,构建用于生成分割掩膜图的分割模型,对所述第三CT图像进行分割;
在生成第二MRI图像的过程中,通过第一判别器,将所述第一CT图像通过所述第一生成器生成的MRI图像,与所述第一MRI图像进行真实性对比,用于减小所述第二MRI图像与所述第一MRI图像的差异;
在通过第一判别器进行真实性对比的过程中,设置第一对抗损失函数,使得所述第一判别器与所述第一生成器相互促进,用于控制所述第一判别器,识别不到所述第二MRI图像与所述第一MRI图像的差异,其中,所述第一对抗损失函数表示为:
LossGAN(Gy,DY)=E[log(DY(y’)]
Gy(x)=y’
式中,Gy表示第一生成器,x表示第一CT图片,y’表示第二MRI图像,E表示求期望函数,DY表示第一判别器;
在生成第二CT图像的过程中,通过第二判别器,将所述第二MRI图像和所述第一MRI图像,通过第二生成器生成的CT图像,与所述第一CT图像进行真实性对比,用于减小所述第二CT图像与所述第一CT图像的差异;
在通过第二判别器进行真实性对比的过程中,设置第二对抗损失函数,使得所述第二判别器与所述第二生成器相互促进,用于控制所述第二判别器,识别不到所述第二CT图像与所述第一CT图像的差异,其中,所述第二对抗损失函数表示为:
LossGAN(Gx,DX)|=E[log(DX(x))]
Gx(y)=x’式中,x’表示第二CT图像,Gx表示第二生成器,DX表示第二判别器,y表示由第一MRI图像和第二MRI图像组成的MRI图像;
在生成第二CT图像的过程中,通过设置循环一致性损失函数,使得所述第二MRI图像、所述第一MRI图像之间、所述第一CT图像和所述第二CT图像之间的内容相同,其中,所述循环一致性损失函数表示为:
CycleConsistencgLoss(Gy,Gx,A,B)=||Gy(Gx(y))-y||+||Gx(Gy(x))-x||式中,A表示模型预测的分割掩模图,B为医生标注的分割标签。
2.根据权利要求1所述一种基于MRI引导的CT图像分割方法,其特征在于:
在通过分割模型生成分割掩膜图的过程中,将所述第一生成器在解码阶段每一层的特征,与分割模型中编码阶段的特征图,利用特征模块相融合,使得编码器提取的信息包括第一CT图像中的信息以及所述第二CT图像中包含的MRI特征信息,并利用解码器获得所述分割掩膜图,其中,分割阶段的损失函数为:
式中,Y表示真实的分割标签,表示分割模型预测的分割掩膜,N表示样本数量,C表示类别数量,Yij表示第i个样本的第j个类别的真实标签,/>表示模型在第i个样本的第j个类别中的预测结果。
3.根据权利要求2所述一种基于MRI引导的CT图像分割方法,其特征在于:在生成分割掩膜图的过程中,通过所述第一MRI图像和所述第一CT图像,获取医生标注的分割标签图像,与生成的所述分割掩膜图进行定性分析,判断所述分割标签图像的准确性,其中,定性分析的过程包括:
Dice=(2*|A∩B|)/(|A|+|B|)
式中,|A|表示分割掩模图中分割结果中的正样本数,|B|表示分割标签中的正样本数,|A∩B|表示分割掩模图和分割标签中正确预测正样本数的交集。
4.一种基于MRI引导的CT图像分割系统,其特征在于,包括:
数据采集模块,用于采集第一MRI图像以及与所述第一MRI图像配对的第一CT图像,以及不具备所述第一MRI图像配对的第三CT图像;
第一数据处理模块,用于将所述第一CT图像,通过第一生成器,生成第二MRI图像;
第二数据处理模块,用于将所述第二MRI图像和所述第一MRI图像,通过第二生成器,生成具有MRI特征信息的第二CT图像;
分割模块,用于通过构建的分割模型,对所述第三CT图像进行分割,生成分割掩膜图,其中,根据所述第二CT图像,对UNet分割网络进行训练,构建所述分割模型;
所述第一数据处理模块和所述第二数据处理模块,还包括用于减少生成图像与真实图像差异的判别器模块;
系统在生成第二MRI图像的过程中,通过第一判别器,将所述第一CT图像通过所述第一生成器生成的MRI图像,与所述第一MRI图像进行真实性对比,用于减小所述第二MRI图像与所述第一MRI图像的差异;
系统在通过第一判别器进行真实性对比的过程中,设置第一对抗损失函数,使得所述第一判别器与所述第一生成器相互促进,用于控制所述第一判别器,识别不到所述第二MRI图像与所述第一MRI图像的差异,其中,所述第一对抗损失函数表示为:
LossGAN(Gy,DY)=E[log(DY(y’)]
Gy(x)=y’
式中,Gy表示第一生成器,x表示第一CT图片,y’表示第二MRI图像,E表示求期望函数,DY表示第一判别器;
系统在生成第二CT图像的过程中,通过第二判别器,将所述第二MRI图像和所述第一MRI图像,通过第二生成器生成的CT图像,与所述第一CT图像进行真实性对比,用于减小所述第二CT图像与所述第一CT图像的差异;
系统在通过第二判别器进行真实性对比的过程中,设置第二对抗损失函数,使得所述第二判别器与所述第二生成器相互促进,用于控制所述第二判别器,识别不到所述第二CT图像与所述第一CT图像的差异,其中,所述第二对抗损失函数表示为:
LossGAN(Gx,DX)|=E[log(DX(x))]
Gx(y)=x’式中,x’表示第二CT图像,Gx表示第二生成器,DX表示第二判别器,y表示由第一MRI图像和第二MRI图像组成的MRI图像;
系统在生成第二CT图像的过程中,通过设置循环一致性损失函数,使得所述第二MRI图像、所述第一MRI图像之间、所述第一CT图像和所述第二CT图像之间的内容相同,其中,所述循环一致性损失函数表示为:
CycleConsistencgLoss(Gy,Gx,A,B)=||Gy(Gx(y))-y||+||Gx(Gy(x))-x||式中,A表示模型预测的分割掩模图,B为医生标注的分割标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311101342.8A CN117078703B (zh) | 2023-08-30 | 2023-08-30 | 一种基于mri引导的ct图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311101342.8A CN117078703B (zh) | 2023-08-30 | 2023-08-30 | 一种基于mri引导的ct图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078703A CN117078703A (zh) | 2023-11-17 |
CN117078703B true CN117078703B (zh) | 2024-05-28 |
Family
ID=88713201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311101342.8A Active CN117078703B (zh) | 2023-08-30 | 2023-08-30 | 一种基于mri引导的ct图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078703B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476805A (zh) * | 2020-05-22 | 2020-07-31 | 南京大学 | 一种基于多重约束的跨源无监督域适应分割模型 |
CN113538495A (zh) * | 2020-04-17 | 2021-10-22 | 成都连心医疗科技有限责任公司 | 一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质 |
CN114677263A (zh) * | 2022-03-11 | 2022-06-28 | 深圳湾实验室 | Ct图像与mri图像的跨模态转换方法和装置 |
CN114897914A (zh) * | 2022-03-16 | 2022-08-12 | 华东师范大学 | 基于对抗训练的半监督ct图像分割方法 |
CN115861464A (zh) * | 2022-12-01 | 2023-03-28 | 南方医科大学 | 基于多模mri同步生成的伪ct合成方法 |
CN116205994A (zh) * | 2023-03-10 | 2023-06-02 | 深圳扬奇医芯智能科技有限公司 | 一种应用于放疗室的3d点云相机标定方法 |
CN116630342A (zh) * | 2023-05-09 | 2023-08-22 | 北京清华长庚医院 | 腹部mri图像分割系统、方法、电子设备及存储介质 |
-
2023
- 2023-08-30 CN CN202311101342.8A patent/CN117078703B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538495A (zh) * | 2020-04-17 | 2021-10-22 | 成都连心医疗科技有限责任公司 | 一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质 |
CN111476805A (zh) * | 2020-05-22 | 2020-07-31 | 南京大学 | 一种基于多重约束的跨源无监督域适应分割模型 |
CN114677263A (zh) * | 2022-03-11 | 2022-06-28 | 深圳湾实验室 | Ct图像与mri图像的跨模态转换方法和装置 |
CN114897914A (zh) * | 2022-03-16 | 2022-08-12 | 华东师范大学 | 基于对抗训练的半监督ct图像分割方法 |
CN115861464A (zh) * | 2022-12-01 | 2023-03-28 | 南方医科大学 | 基于多模mri同步生成的伪ct合成方法 |
CN116205994A (zh) * | 2023-03-10 | 2023-06-02 | 深圳扬奇医芯智能科技有限公司 | 一种应用于放疗室的3d点云相机标定方法 |
CN116630342A (zh) * | 2023-05-09 | 2023-08-22 | 北京清华长庚医院 | 腹部mri图像分割系统、方法、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
时永刚 ; 钱梦瑶 ; 刘志文 ; .结合全卷积网络和GrowCut的肾皮质分割算法.中国图象图形学报.2017,(第10期), * |
结合全卷积网络和GrowCut的肾皮质分割算法;时永刚;钱梦瑶;刘志文;;中国图象图形学报;20171016(第10期) * |
Also Published As
Publication number | Publication date |
---|---|
CN117078703A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
Zaharchuk et al. | Deep learning in neuroradiology | |
US20230267611A1 (en) | Optimization of a deep learning model for performing a medical imaging analysis task | |
Ren et al. | Interleaved 3D‐CNN s for joint segmentation of small‐volume structures in head and neck CT images | |
EP3608871B1 (en) | Plane selection using localizer images | |
CN110490851B (zh) | 基于人工智能的乳腺图像分割方法、装置及系统 | |
CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
Gillmann et al. | Uncertainty‐aware Visualization in Medical Imaging‐A Survey | |
Fashandi et al. | An investigation of the effect of fat suppression and dimensionality on the accuracy of breast MRI segmentation using U‐nets | |
CN108324244A (zh) | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 | |
Federau et al. | Improved segmentation and detection sensitivity of diffusion-weighted stroke lesions with synthetically enhanced deep learning | |
Sokooti et al. | Hierarchical prediction of registration misalignment using a convolutional LSTM: Application to chest CT scans | |
Wei et al. | Learning‐based deformable registration for infant MRI by integrating random forest with auto‐context model | |
Cobbinah et al. | Reducing variations in multi-center Alzheimer’s disease classification with convolutional adversarial autoencoder | |
Zhou et al. | Learning stochastic object models from medical imaging measurements by use of advanced ambient generative adversarial networks | |
Li et al. | S 3 egANet: 3D spinal structures segmentation via adversarial nets | |
Yerukalareddy et al. | Brain tumor classification based on mr images using GAN as a pre-trained model | |
Fan et al. | TR-Gan: multi-session future MRI prediction with temporal recurrent generative adversarial Network | |
Sun et al. | Building a patient-specific model using transfer learning for four-dimensional cone beam computed tomography augmentation | |
Li et al. | Automatic segmentation of prostate MRI based on 3D pyramid pooling Unet | |
Davamani et al. | Biomedical image segmentation by deep learning methods | |
Malik et al. | A novel fusion model of hand-crafted features with deep convolutional neural networks for classification of several chest diseases using X-ray images | |
Velichko et al. | A comprehensive review of deep learning approaches for magnetic resonance imaging liver tumor analysis | |
Toikkanen et al. | ReSGAN: Intracranial hemorrhage segmentation with residuals of synthetic brain CT scans | |
CN117078703B (zh) | 一种基于mri引导的ct图像分割方法及系统 |
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 |