CN114913135B - 基于级联VNet-S网络和三维条件随机场的肝脏分割系统 - Google Patents
基于级联VNet-S网络和三维条件随机场的肝脏分割系统 Download PDFInfo
- Publication number
- CN114913135B CN114913135B CN202210444494.7A CN202210444494A CN114913135B CN 114913135 B CN114913135 B CN 114913135B CN 202210444494 A CN202210444494 A CN 202210444494A CN 114913135 B CN114913135 B CN 114913135B
- Authority
- CN
- China
- Prior art keywords
- vnet
- liver
- network
- cascade
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 89
- 230000011218 segmentation Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 230000004907 flux Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 208000019423 liver disease Diseases 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 206010019695 Hepatic neoplasm Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于级联VNet‑S网络和三维条件随机场的肝脏分割系统，涉及图像处理技术领域。该系统包括级联VNet‑S网络和三维条件随机场；级联VNet‑S网络得到肝脏CT图像前景像素点的概率，并将前景像素点的概率作为先验概率使用三维条件随机场分割肝脏；三维条件随机场通过空间上下文信息，反映观测变量之间的依赖关系，剔除误分割区域和细化分割，实现对肝脏分割边界的优化，进而实现对CT图像中肝脏的分割；该系统能够较为准确地分割肝脏，运算速度满足实际需求，且处理过程全自动，减少了医生的工作量，能够较好地满足应用需求。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及基于级联VNet-S网络和三维条件随机场的肝脏分割系统。
背景技术
肝脏疾病在人群中发病率高，且极大地威胁着人类的健康。为了快速诊断肝脏疾病，需要从计算机断层扫描(CT)中准确快速定位肝脏，以进行进一步分析。目前对肝脏疾病的形态学诊断手段主要依靠CT、MRI等二维图像，医生只能凭经验由多幅二维图像去估计病灶的大小及形状，“构思”病灶与其周围结构的三维几何关系，这会加大误诊或漏诊的可能性；且随着CT精度的提高，每次扫描所得到的CT图像数量也大大增加，这使得医生的工作量大大增加。
在医学影像器官分割领域，研究者们采用的图像分割算法主要分为传统图像算法和深度学习方法。传统分割算法主要有基于灰度、基于统计形状模型和基于纹理特征的算法。但这些传统分割算法都存在不足之处。基于灰度的算法要求器官与背景差异大；基于统计形状模型的算法要求器官形状相对规则；基于纹理特征的算法依赖人工提取的特征，费时费力。而深度学习的方法主要分为二维分割网络(全卷积神经网络、2D Unet网络等)和三维分割网络(3D Unet网络和Vnet网络等)。但它们也存在一定的问题，二维分割网络无法利用三维空间中的信息，会导致分割准确度低；而三维分割网络在运行时要占用大量显存，硬件限制导致三维分割网络需要大尺度缩小输入图像尺寸，从而导致特征丢失，影响分割精度，且仅考虑区域像素特征，缺乏全局空间上下文信息会导致边缘细节分割能力不强。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于级联VNet-S网络和三维条件随机场的肝脏分割系统，联合级联Vnet-S网络和三维条件随机场(Dense3D CRF)，实现对肝脏分割边界的优化。
为解决上述技术问题，本发明所采取的技术方案是：基于级联VNet-S网络和三维条件随机场的肝脏分割系统，包括级联VNet-S网络和三维条件随机场；级联VNet-S网络得到肝脏CT图像前景像素点的概率，并将前景像素点的概率作为先验概率使用三维条件随机场分割肝脏；三维条件随机场通过空间上下文信息，反映观测变量之间的依赖关系，剔除误分割区域和细化分割，实现对肝脏分割边界的优化；具体包括以下步骤：
步骤1：获取肝脏CT图像作为样本数据集，并对图像数据进行数据增强预处理；
所述CT图像为遵循医疗数位影像传输协定(Digital Imaging andCommunications in Medicine,DICOM)的dcm文件或多张dcm肝脏CT图像压缩而成的NIFTI文件及对应的标签，即肝脏分割人工标注的结果；
步骤2：将数据集划分为两种类型：
(1)训练数据集和验证数据集：包括原始肝脏CT图像和对应的标签，用于训练和测试级联VNet-S网络模型；
(2)无标注的待分割数据集：原始肝脏CT图像，用于评估肝脏分割效果；
步骤3：根据数据集类型配置级联Vnet-S网络工作模式，如果用户使用的是训练和验证数据集，则初始化级联Vnet-S网络模型，然后执行步骤7，否则执行步骤4；
所述级联VNet-S网络模型由两个VNet-S网络级联而成，两个VNet-S网络结构相同，数据增强预处理后的CT图像经过第一个VNet-S网络得到和原图大小相同的连接通量，根据连接通量的范围确定肝脏边界，得到肝脏在CT图像XYZ三个维度上的最大值和最小值共六个边界值；根据得到的这六个边界值将预处理后的CT图像切割出来得到输入第二个VNet-S网络的图像，通过第二个VNet-S网络后使用softmax函数得到每个像素点属于前景和背景的概率，最终得到前景像素点的概率；
在训练级联VNet-S网络时，采用基于Dice系数的目标函数；
步骤4：加载训练好的级联VNet-S网络模型；步骤5：加载级联VNet-S网络模型参数配置，并使用训练好的模型进行肝脏图像的预分割；
步骤6：输出预分割结果，计算肝脏CT图像前景像素点的概率并存储，执行步骤9；
步骤7：加载级联VNet-S网络模型参数配置，并使用训练数据集训练级联VNet-S网络模型；
步骤8：存储训练得到的级联VNet-S网络模型；
步骤9：加载三维条件随机场(Dense 3D CRF)模型参数配置，将步骤6得到的前景像素点的概率作为三维条件随机场模型的一个输入，进行肝脏分割；
三维条件随机场模型配置的参数包括输入的模态数量和模态数据存储的位置、图像维度及各维度尺寸、级联VNet-S网络得到的肝脏先验概率、输入的CT图像像素的最大和最小值以及输出结果目录；
步骤11：输出针对CT图像的肝脏分割结果；
采用上述技术方案所产生的有益效果在于：本发明提供的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，针对以往肝脏分割的精准度和肝脏边界分割的问题，利用级联VNet-S网络得到前景体素的概率，之后将这一概率作为先验概率使用三维条件随机场(Dense3D CRF)分割肝脏。级联VNet-S网络克服了图像特征丢失、感受野小的缺点，而且计算量小，可快速得到较好的分割结果；将粗分割结果送入三维条件随机场，可以剔除较小的误分割区域和细化分割，实现对肝脏分割边界的优化。该系统能够较为准确地分割肝脏，运算速度满足实际需求，且处理过程全自动，减少了医生的工作量，能够较好地满足应用需求。
附图说明
图1为本发明实施例提供的基于级联VNet-S网络和三维条件随机场的肝脏分割系统的工作流程图；
图2为本发明实施例提供的基于肝脏CT图序列的肝脏分割过程示意图；
图3为本发明实施例提供的VNet-S网络结构示意图；
图4为本发明实施例提供的肝脏CT图序列示意图；
图5为本发明实施例提供的肝脏CT图序列对应的肝脏分割标签图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，基于级联VNet-S网络和三维条件随机场的肝脏分割系统，包括级联VNet-S网络和三维条件随机场；级联VNet-S网络得到肝脏CT图像前景像素点的概率，并将前景像素点的概率作为先验概率使用三维条件随机场分割肝脏；三维条件随机场通过空间上下文信息，反映观测变量之间的依赖关系，剔除误分割区域和细化分割，实现对肝脏分割边界的优化。
本实施例中，基于级联VNet-S网络和三维条件随机场的肝脏分割系统通过以下步骤对肝脏CT图像中的肝脏进行分割，如图1、2所示：
步骤1：获取肝脏CT图像作为样本数据集，并使用旋转、翻转、缩放、随机非线性变换和添加高斯噪声对图像数据进行数据增强预处理；
所述CT图像为遵循医疗数位影像传输协定(Digital Imaging andCommunications in Medicine,DICOM)的dcm文件或多张dcm肝脏CT图像压缩而成的NIFTI文件及对应的标签，即肝脏分割人工标注的结果；
步骤2：将数据集划分为两种类型：
(1)训练数据集和验证数据集：包括原始肝脏CT图像和对应的标签，用于训练和测试级联VNet-S网络模型；
(2)无标注的待分割数据集：原始肝脏CT图像，用于评估肝脏分割效果；
步骤3：根据数据集类型配置级联Vnet-S网络工作模式，如果用户使用的是训练和验证数据集，则初始化级联Vnet-S网络模型，然后执行步骤7，否则执行步骤4；
所述级联VNet-S网络模型由两个VNet-S网络级联而成，两个VNet-S网络结构相同，数据增强预处理后的CT图像经过第一个VNet-S网络得到和原图大小相同的连接通量，根据连接通量的范围确定肝脏边界，得到肝脏在CT图像XYZ三个维度上的最大值和最小值共六个边界值；根据得到的这六个边界值将预处理后的CT图像切割出来得到输入第二个VNet-S网络的图像，通过第二个VNet-S网络后使用softmax函数得到每个像素点属于前景和背景的概率，最终得到前景像素点的概率；
级联Vnet-S网络中的第一个Vnet-S网络对CT图像中的器官进行粗分割；然后，根据粗分割的结果，选择分割结果中的最大连接通量做两次膨胀，根据膨胀后的最大连接通量确定肝脏器官边界并提取肝脏器官区域；最后，第二个Vnet-S网络得到每个像素点属于前景和背景的概率，实现对肝脏器官的细分割。图3为VNet-S网络结构图，所述VNet-S网络结构包括压缩路径(Contracting Path)和扩展路径(Expanding Path)；在压缩路径，首先使用复制的方式将输入图像的通道数(channel)扩展至16，每层卷积层包括2个核为3×3×3，滑动步长为1的卷积单元，卷积层间不断使用核(Kernel)为2×2×2、滑动步长为2的卷积操作进行池化；；压缩路径输出的特征图(Feature Map)经过复制裁剪(Copy and Crop)操作和Dropout操作，与输入扩展路径对应的特征图进行级联；在扩展路径，执行核为2×2×2、滑动步长为2的反卷积操作升采样直至通道数等于16，并在最后执行一个核为1×1×1的卷积操作；VNet-S网络在每一次卷积操作后都使用PReLU非线性单元和批归一化(BatchNormalization，BN)；在训练级联VNet-S网络时，采用基于Dice系数的目标函数；
步骤4：加载训练好的级联VNet-S网络模型；
步骤5：加载级联VNet-S网络模型参数配置，并使用训练好的模型进行肝脏图像的预分割；
步骤6：输出预分割结果，计算肝脏CT图像前景像素点的概率并存储，执行步骤9；
步骤7：加载级联VNet-S网络模型参数配置，并使用训练数据集训练级联VNet-S网络模型；
步骤8：存储训练得到的级联VNet-S网络模型；
步骤9：加载三维条件随机场(Dense 3D CRF)模型参数配置，将步骤6得到的前景像素点的概率作为三维条件随机场模型的一个输入，进行肝脏分割；
使用由Konstantinos Kamnitsas开发的Dense 3D CRF软件，通过修改configFileDenseCrf3d.txt文件参数，运行dense CRF程序；三维条件随机场(Dense 3DCRF)模型配置的参数包括输入的模态数量(即.nii文件数量，本实施例中该值为1)和模态数据存储的位置、图像维度及各维度尺寸、级联VNet-S网络得到的肝脏先验概率、输入的CT图像像素的最大和最小值以及输出结果目录；
步骤11：输出针对CT图像的肝脏分割结果；
本实施例中，从LiTS(Liver Tumor Segmentation Challenge,肝脏肿瘤病灶区CT图像分割挑战)公开数据集中获取多个如图4、图5所示标注了分割结果的CT图像作为样本数据集训练级联VNet-S网络，训练和验证数据集中的CT图像序列如图4所示，标签序列(即人工标注的分割结果)如图5所示。并通过训练好的级联VNet-S网络和三维条件随机场模型在LiTS(Liver Tumor Segmentation Challenge,肝脏肿瘤病灶区CT图像分割挑战)数据集上进行测试，结果表明该系统能够较为准确地分割肝脏，运算速度满足实际需求，且处理过程全自动，减少了医生的工作量，能够较好地满足应用需求。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：包括级联VNet-S网络和三维条件随机场；级联VNet-S网络得到肝脏CT图像前景像素点的概率，并将前景像素点的概率作为先验概率使用三维条件随机场分割肝脏；三维条件随机场通过空间上下文信息，反映观测变量之间的依赖关系，剔除误分割区域和细化分割，实现对肝脏分割边界的优化；
具体通过以下方法实现肝脏分割：
步骤1：获取肝脏CT图像作为样本数据集，并对图像数据进行数据增强预处理；
步骤2：将样本数据集划分训练数据集、验证数据集以及无标注的待分割数据集；
步骤3：根据数据集类型配置级联Vnet-S网络工作模式，如果用户使用的是训练和验证数据集，则初始化级联Vnet-S网络模型，然后执行步骤7，否则执行步骤4；
步骤4：加载训练好的级联VNet-S网络模型；
步骤5：加载级联VNet-S网络模型参数配置，并使用训练好的模型进行肝脏图像的预分割；
步骤6：输出预分割结果，计算肝脏CT图像前景像素点的概率并存储，执行步骤9；
步骤7：加载级联VNet-S网络模型参数配置，并使用训练数据集训练级联VNet-S网络模型；
步骤8：存储训练得到的级联VNet-S网络模型；
步骤9：加载三维条件随机场模型参数配置，将步骤6得到的前景像素点的概率作为三维条件随机场模型的一个输入，进行肝脏分割；
步骤10：输出针对CT图像的肝脏分割结果。
2.根据权利要求1所述的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：所述CT图像为遵循医疗数位影像传输协定的dcm文件或多张dcm肝脏CT图像压缩而成的NIFTI文件及对应的标签，即肝脏分割人工标注的结果。
3.根据权利要求1所述的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：所述训练数据集和验证数据集为包括原始肝脏CT图像和对应的标签，用于训练和测试级联VNet-S网络模型。
4.根据权利要求1所述的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：所述无标注的待分割数据集为原始肝脏CT图像，用于评估肝脏分割效果。
5.根据权利要求1所述的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：
所述级联VNet-S网络模型由两个VNet-S网络级联而成，两个VNet-S网络结构相同，数据增强预处理后的CT图像经过第一个VNet-S网络得到和原图大小相同的连接通量，根据连接通量的范围确定肝脏边界，得到肝脏在CT图像XYZ三个维度上的最大值和最小值共六个边界值；根据得到的这六个边界值将预处理后的CT图像切割出来得到输入第二个VNet-S网络的图像，通过第二个VNet-S网络后使用softmax函数得到每个像素点属于前景和背景的概率，最终得到前景像素点的概率。
6.根据权利要求5所述的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：所述方法在训练级联VNet-S网络时，采用基于Dice系数的目标函数。
7.根据权利要求1所述的基于级联VNet-S网络和三维条件随机场的肝脏分割系统，其特征在于：三维条件随机场模型配置的参数包括输入的模态数量和模态数据存储的位置、图像维度及各维度尺寸、级联VNet-S网络得到的肝脏先验概率、输入的CT图像像素的最大和最小值以及输出结果目录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210444494.7A CN114913135B (zh) | 2022-04-26 | 2022-04-26 | 基于级联VNet-S网络和三维条件随机场的肝脏分割系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210444494.7A CN114913135B (zh) | 2022-04-26 | 2022-04-26 | 基于级联VNet-S网络和三维条件随机场的肝脏分割系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114913135A CN114913135A (zh) | 2022-08-16 |
| CN114913135B true CN114913135B (zh) | 2024-08-02 |
Family
ID=82765756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210444494.7A Active CN114913135B (zh) | 2022-04-26 | 2022-04-26 | 基于级联VNet-S网络和三维条件随机场的肝脏分割系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114913135B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599500A (zh) * | 2019-09-03 | 2019-12-20 | 南京邮电大学 | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10817758B2 (en) * | 2018-06-20 | 2020-10-27 | International Business Machines Corporation | Framework for integrating deformable modeling with 3D deep neural network segmentation |
| WO2020028382A1 (en) * | 2018-07-30 | 2020-02-06 | Memorial Sloan Kettering Cancer Center | Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy |
| CN111340812A (zh) * | 2020-02-20 | 2020-06-26 | 中南大学 | 基于深度神经网络的交互式肝脏图像分割方法 |
-
2022
- 2022-04-26 CN CN202210444494.7A patent/CN114913135B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599500A (zh) * | 2019-09-03 | 2019-12-20 | 南京邮电大学 | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114913135A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| CN111401480A (zh) | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 | |
| CN112329871B (zh) | 一种基于自校正卷积与通道注意力机制的肺结节检测方法 | |
| CN114758137B (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
| Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
| CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
| CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
| CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
| CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN111127487B (zh) | 一种实时多组织医学图像的分割方法 | |
| CN117115184A (zh) | 一种医疗图像分割模型的训练方法、分割方法及相关产品 | |
| CN116486156A (zh) | 融合多尺度特征上下文的全视野数字切片图像分类方法 | |
| Mansour et al. | Kidney segmentations using cnn models | |
| CN114913135B (zh) | 基于级联VNet-S网络和三维条件随机场的肝脏分割系统 | |
| CN116542924A (zh) | 一种前列腺病灶区域检测方法、装置及存储介质 | |
| CN113327221B (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
| CN115359005A (zh) | 图像预测模型生成方法、装置、计算机设备和存储介质 | |
| CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
| CN114331996A (zh) | 基于自编码解码器的医学影像分型方法及系统 | |
| CN117726815B (zh) | 一种基于异常检测的小样本医学图像分割方法 | |
| CN117315378B (zh) | 一种尘肺病的分级判定方法及相关设备 | |
| CN117542527B (zh) | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 | |
| CN113239978B (zh) | 医学图像预处理模型与分析模型的相关方法和装置 |
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 |