The invention relates to a method of automatic segmentation of the lesion based on deep learning, which comprises the following steps: S1) to collect multiple case data, and medical image to the lesion site specific mode of standardization pretreatment; S2) by medical imaging division of the lesion layer in the edge label, as the real data S3); extraction of training samples, from outside the lesion area and internal lesion areas within a certain distance of the voxel, randomly selected number of voxels, and pictures of the voxel center take the blocks with the same size as the next step of the training samples; S4) established deep learning neural network, positive and negative samples in the case of training; for postprocessing and segmentation accuracy evaluation in satisfactory accuracy of segmentation, segmentation model; S5) for the diagnosis of the case, the same part of the same acquisition mode Medical images, standardized preprocessing; S6) use the segmentation model to automatically detect the lesion area and output the segmentation results.
【技术实现步骤摘要】
一种基于深度学习的病变区域自动分割方法
本专利技术涉及医学图像处理领域,尤其涉及一种基于深度学习的病变区域自动分割方法。
技术介绍
医学图像的处理目前还是以人工方式为主,在二维或三维图像中挑选出病变可能较大的区域,由医学影像师在二维图像上进行人工的描绘,医师再根据人工标注结果进行诊断和相应的治疗。部分医疗机构开始引入一些辅助诊断的设备,基于形状或者异常检测等手段发现疑似病变区域,并由人工进行进一步确认和边缘描绘。对于肿瘤等人体的物理病变,可以使用多种医学仪器对人体进行检查,生成不同模态的人体图像(包括但不限于X光、CT、PET、MRI,DTI等)。在这些图像中,病变区域可能显示出与正常区域不同的形状、信号强度、纹理等,这些信息可以用于相关疾病的诊断,并辅助多种治疗手段进行病变的精确治疗。医学图像中病变区域的识别是一个较为困难的问题,需要有经验的医师和大量的人力进行二维或三维图像的人工标注,但在实际操作中,一方面是熟练医师的稀缺,另一方面由于标注人员水平差异较大,质量不能保证,存在错误标注或遗漏,导致患者不能得到及时准确的诊断,贻误病情。
技术实现思路
针对现有技术之不足,本专利技术提出了一种基于深度学习的病变区域自动分割方法,其包括以下步骤:S1)采集多个病例数据,然后对病变部位特定模态的医学图像进行标准化预处理;S2)由医学影像师对病变区域逐层进行边缘标注,将其作为真实数据;S3)进行训练样本的提取,其包括:从病变区域内部和病变区域之外一定距离(在实验中该距离取10个体素)内的体素中,随机各抽取若干(实验中病变区域内取10000个或病变区域总体素数量中的较小 ...
【技术保护点】
一种基于深度学习的病变区域自动分割方法,其特征在于,包括以下步骤:S1)采集多个病例数据,然后对病变部位特定模态的医学图像进行标准化预处理;S2)由医学影像师对病变区域逐层进行边缘标注,将其作为真实数据;S3)进行训练样本的提取,其包括:从病变区域内部和病变区域之外一定距离内的体素中,随机各抽取若干体素,并以该体素为中心取固定大小的图片块用于作为下一步的训练样本;图片中心在病变区域内部的作为正样本,图片中心在病变区域外的作为负样本,正负样本的图片块中均同时包含两类体素,即,病变区域内的体素和病变区域外的体素;S4)建立深度学习神经网络,对上述病例的正负样本进行训练;进行后处理和分割精度测评,在网络参数收敛并取得满意分割精度后,得到分割模型;S5)对于待诊断的病例,采集同部位同样模态的医学图像,然后使用相同的预处理参数进行标准化预处理;S6)使用分割模型自动检测病变区域,然后输出分割结果。
【技术特征摘要】
1.一种基于深度学习的病变区域自动分割方法,其特征在于,包括以下步骤:S1)采集多个病例数据,然后对病变部位特定模态的医学图像进行标准化预处理;S2)由医学影像师对病变区域逐层进行边缘标注,将其作为真实数据;S3)进行训练样本的提取,其包括:从病变区域内部和病变区域之外一定距离内的体素中,随机各抽取若干体素,并以该体素为中心取固定大小的图片块用于作为下一步的训练样本;图片中心在病变区域内部的作为正样本,图片中心在病变区域外的作为负样本,正负样本的图片块中均同时包含两类体素,即,病变区域内的体素和病变区域外的体素;S4)建立深度学习神经网络,对上述病例的正负样本进行训练;进行后处理和分割精度测评,在网络参数收敛并取得满意分割精度后,得到分割模型;S5)对于待诊断的病例,采集同部位同样模态的医学图像,然后使用相同的预处理参数进行标准化预处理;S6)使用分割模型自动检测病变区域,然后输出分割结果。2.如权利要求1所述的方法,其特征在于,在步骤...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。