技术领域
本发明涉及智能医学影像诊断领域,尤其涉及一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置。
背景技术
每年有超过40万例的新发肾癌患者,肾癌是当前发病率很高的疾病,致死率也在逐年增加。基于深度学习的人工智能算法在不断进步,快速地推动了智慧医疗的发展,深度学习算法在医生诊疗癌症过程中起了重要作用。通过构建基于深度学习的检测算法可以完成医学CT影像中肾肿瘤的自动化标注,辅助医生诊疗。
发明内容
本发明所要解决的技术问题是针对背景技术的不足提供一种基于U-Net深度网络模型的CT影像中肾肿瘤分割方法及装置,其加入注意力机制的U-Net网络能提高对肿瘤分割的精度;
融合2D和3D分割结果进一步降低分割中的假阳性。
本发明为解决上述技术问题采用以下技术方案:
一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法,所述方法具体包括以下步骤:
步骤1、读取患者CT影像和对应的分割掩摸图,对CT影像数据预处理,生成训练样本集;
步骤2、构建3D U-Net网络模型分割CT影像中的肾器官,输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾脏;
步骤3、加入注意力机制模型构建改进的U-Net网络模型分割肾脏中的肿瘤,输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾肿瘤。
作为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的进一步优选方案,所述步骤1具体包含如下步骤:
步骤1.1:读取原始图像,设置合适的窗宽窗位信息来截断非肾脏区域的图像,使用图像直方图均衡化技术抑制背景信息;
步骤1.2:获取掩摸图像信息,读取掩摸图像,输出掩摸的全部标签值,其中,0是背景,1是肾脏,2是肾脏肿瘤;
步骤1.3:对CT图像进行插入运算,调整图像的尺寸,对CT图像分块。
作为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的进一步优选方案,所述步骤2具体包含如下步骤:
步骤2.1:构建3D U-Net分割网络模型,3D U-Net是一种经典的编码器-解码器分割网络,编码器逐层提取更高级的语义特征,解码器路径恢复每个体素的定位,并利用特征信息对其进行分类,为了使用嵌入在编码器中的位置信息,在同一级中的层之间构建直接连接;
步骤2.2:将训练样本集以及背景和肾脏掩摸图送入该3D U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤2.3:使用该模型来分割CT影像,输出影像中的肾脏器官。
作为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的进一步优选方案,所述步骤3具体包含如下步骤:
步骤3.1:构建AGs-U-Net分割网络模型,其中,AGs-U-Net是加入注意力机制模型的U-Net网络模型,使用注意力机制模型使得U-Net网络加深对肾脏中的微小肿瘤的关注度;
步骤3.2:将训练样本集以及肾脏和肾肿瘤掩摸图送入该AGs-U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤3.3:使用该模型分割CT影像,输出影像中的肾肿瘤区域。
一种基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法的分割装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.使用3D U-Net神经网络模型实现对CT影像中肾器官的全自动精准分割;
2.使用改进的增加注意力机制的AGs-U-Net模型检测肾肿瘤并对肿瘤进行分割;
与现有技术相比,本发明构建了一种将2个U-Net串联的肾肿瘤分割模型,第一个网络实现肾器官的分割,第二个网络实现肾肿瘤的检测与分割,其中加入注意力机制模型能提高对肿瘤分割的精度,最终实现CT影像中肾肿瘤的全自动精准检测与分割。
附图说明
图1本发明实施例中的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法流程图;
图2是本发明实施例中某患者的腹部CT影像;
图3是本发明实施例中使用3D U-Net模型分割肾脏的流程图;
图4是本发明实施例中使用AGs-U-Net模型分割肿瘤的流程图;
图5是本发明实施例中某患者CT影像中分割出的肾脏和肿瘤图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
图1为本发明基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置。如图所示,所述方法包括以下步骤:
步骤1、读取患者CT影像和对应的分割掩摸图,对CT影像数据预处理,生成训练样本集,具体步骤包括:
步骤1.1:获取图像属性信息。读取原始图像,显示图像大小,Spacing信息,设置合适的窗宽窗位信息来截断非肾脏区域的图像,获取Mask图像信息。读取Mask图像,输出Mask的全部标签值,0是背景,1是肾脏,2是肾脏肿瘤。
步骤1.2:准备肾脏分割数据,首先图像进行插值,将图像插值成512*512*64大小的范围区域;然后对插值后的图像进行分块取Patch操作,生成若干个128*128*64大小的图像和Mask;
步骤1.3:准备肿瘤分割数据,根据金标准的Mask图像确定肾脏肿瘤的起始和结束范围;截取该范围内的原始图像和mask图像,然后将截取的图像和Mask图像进行插值操作,按照Spacing的方式进行插值,保持x和y方向的Spacing值不变,只改变z方向的Spacing值,插值后变成1.0;最后对插值后的图像进行分块取Patch操作,生成若干个128*128*64大小的图像和Mask,判断并输出非零的Mask和对应的图像。
步骤2、构建3D U-Net网络模型分割CT影像中的肾器官,输入训练样本的背景图和肾脏掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾脏,具体步骤包括:
步骤2.1:搭建3D U-Net模型,输入大小是128*128*64,loss采用的是dice,肾脏分割分为粗分割和精分割两个步骤;
步骤2.2:粗分割对分割Mask图像进行肾脏的起始和结束范围判断,输出起点和结束位置信息;
步骤2.3:精分割推理过程:首先根据上述起点和结束位置信息截取原始图像在该区域之间的子图像,然后对子图像按z方向spacing进行插值变成1.0并设置窗宽窗位,输入到网络中去,网络输入大小是(512x512x32),在z方向上分块输入并拼接得到分割结果,再将分割结果插值回到原始图像spacing大小,并按照起始和结束位置信息拼接到原始图像大小的Mask图像,最后去除小目标物体,策略是小于0.2倍的最大物体体积的目标去除。
步骤3、加入注意力机制模型构建改进的U-Net网络模型分割肾脏中的肿瘤,输入训练样本的肾脏掩摸图和肿瘤掩摸图到该分割模型进行监督学习,经训练收敛后使用该模型来分割CT影像中的肾肿瘤,具体步骤包括:
步骤3.1:构建AGs-U-Net分割网络模型,AGs-U-Net是加入注意力机制模型的U-Net 网络模型,使用注意力机制模型使得U-Net网络加深对肾脏中的微小肿瘤的关注度;
步骤3.2:将训练样本集以及肾脏和肾肿瘤掩摸图送入该AGs-U-Net分割网络模型,初始化权重参数,设置学习速率,使用Adam优化器迭代训练多次,直至分割模型收敛;
步骤3.3:使用该模型分割CT影像,输出影像中的肾肿瘤区域。
实施例一
本发明一个实施例的基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置,具体包括以下步骤:
步骤1、对如图2所示的患者腹部CT影像数据预处理,使用SimpleITK工具包读取DCM影像文件,使用Numpy工具包将文件转换成数组矩阵,使用窗宽窗位技术校正切片的 CT值;
步骤2、输入经预处理的图像,使用3D U-Net分割模型分割CT中的肾脏,输出肾脏的掩摸图,图3是3D U-Net模型分割肾脏的流程图;
步骤3、输入CT影像和肾脏掩摸图,使用AGs-U-Net分割模型分割出其中的肾肿瘤,输出肾肿瘤的掩摸图,图4是AGs-U-Net模型分割肿瘤的流程图。图5是从CT图像中分割出肾脏和肿瘤图。
基于深度学习技术以及卷积神经网络技术的全自动分割算法目前在医学影像分割上取得了众多的研究成果,并展示出其优秀的分割性能,鉴于此,本发明实现了一种基于U-Net深度网络模型的肾肿瘤的全自动分割方法。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
机译: 基于深度学习的智能场景分割系统和方法
机译: 基于辐射治疗规划的人工智能分割正常器官和/或肿瘤结构的系统和方法
机译: 基于深度学习网络模型的实时对象检测方法及装置