一种基于3D对抗网络的医学CT图像分割方法技术

本发明专利技术公开一种基于3D对抗网络的医学CT图像分割方法，包括如下步骤：采集医学CT图像样本，进行标准化预处理；建立最终分割网络；将给定任意一幅待识别医学CT图像放入最终分割网络中，得到最终分割结果。本发明专利技术通过对3D对抗网络的结构形式进行整体设计，利用分割网络作为3D对抗网络的生成网络G，预训练过的VGG11作为3D对抗网络的判别网络D。本发明专利技术利用对抗网络增加标注数据，并通过相似度计算与循环随机筛选，增强图像的可信度，以批量生成高质量的标注图像集合，最后通过判别网络D与分割网络进行对抗训练来更新分割网络参数和判别网络D参数，从而实现对分割网络的优化并提高分割准确度。本发明专利技术方法设计简单，易于实现。

A Medical CT Image Segmentation Method Based on 3D Countermeasure Network

The invention discloses a medical CT image segmentation method based on 3D countermeasure network, which includes the following steps: collecting medical CT image samples, standardizing preprocessing; establishing final segmentation network; putting any given medical CT image to be recognized into the final segmentation network, and obtaining the final segmentation result. The invention designs the overall structure of the 3D countermeasure network, uses the partitioned network as the generating network G of the 3D countermeasure network, and the pre-trained VGG11 as the discriminant network D of the 3D countermeasure network. The invention adds tagging data by antagonistic network, enhances the credibility of image through similarity calculation and cyclic random screening, generates high-quality tagging image set in batches, and finally updates the parameters of segmentation network and discriminant network D by antagonistic training between discriminant network D and segmentation network, so as to realize the separation. Optimize the cut network and improve the accuracy of segmentation. The method of the invention is simple in design and easy to realize.

【技术实现步骤摘要】
一种基于3D对抗网络的医学CT图像分割方法
本专利技术属于医疗图像分析领域，涉及一种针对医疗CT图像内感兴趣区域的分割方法。
技术介绍
随着医疗影像技术的发展，医疗影像学检查在临床诊断中变得越来越重要。在众多医疗影像技术中计算机断层成像(ComputedTomography，CT)是其中最常用的方式。目前对于医疗影像的诊断主要还是由医生人工阅片完成。所以医生的个人经验与知识水平的差异性会影响诊断的准确度。例如肺部的CT照片是整个胸部横切面的截图，往往包含许多其他器官的组织信息，这些组织信息对医生的诊断工作有严重干扰。因此，利用计算机技术对CT影像进行处理是十分有必要的。而如何将医生感兴趣区域精确的分割出来是医学图像处理的关键问题。对医学图像的精准分割对完成视觉增强、计算机辅助诊断、干预和从图像中提取定量指标等任务具有重要意义。目前医学图像分割方法主要可以分为传统方法与基于深度学习的方法，传统的医学图像分割方法主要集中在阈值法、区域生长法、微分算子法等简单的方法上，取得了一定的成果，但是由于医学图像的复杂性，最终效果还不能令人满意。最近几年随着人工智能的发展，一些新的理论和方法被引入到图像分割领域。全卷积神经网络与过去用于处理分类问题、检测问题、跟踪问题等常规卷积神经网络不同，其可以实现对图像的像素级密集预测。图像分割问题是要求逐像素点产生合理预测值的密度预测问题，使用全卷积网络可以高效地以端到端的方式解决图像分割问题。与针对自然图像的分割问题不同，医学图像的标注成本普遍较高，导致可用的数据集普遍较小，如何通过训练小数据集得到精确的模型，是深度学习用于医学图像分割需要突破的关键性问题。相比于其他切片类的医学图像的分割方法，针对CT图像，通常对3D数据进行分割处理。增加标注数据集的大小有助于提升分割网络训练性能，其中模拟图像的数据分布并生成相似图像的方法有变分自编码器(variationalauto-encoder，VAE)，生成式对抗网络(generativeadversarialnetwork，GAN)等方法。相比于变分自编码器，GAN没有引入任何决定性偏置(deterministicbias)，变分方法引入决定性偏置，因为他们优化对数似然的下界，而不是似然度本身，这导致了VAE生成的实例比GAN更模糊。GAN通过生成网络与判别网络对抗学习并更新权重的方式提升生成网络与判别网络性能。由于分割网络可以作为对抗网络的生成网络，并增加标注数据量。所以在本专利技术中使用3D对抗网络对分割算法进行优化。
技术实现思路
本专利技术的目的是为了提升小数据医学图像感兴趣区域的分割性能，提出一种基于3D对抗网络的医学CT图像分割方法。本专利技术的技术方案如下：一种基于3D对抗网络的医学CT图像分割方法，包括如下步骤：S1：采集医学CT图像样本，进行标准化预处理，建立未标注图像集合Sunlabled和已标注图像集合Su；S2：将已标注图像集合Su输入分割网络进行网络训练，生成初始分割网络；S3：将步骤S1的未标注图像集合Sunlabled输入步骤S2的初始分割网络，进行初始分割，得到初始分割生成图像集合Sm；S4：对步骤S3的初始分割生成图像集合Sm加入权重值M，进行随机筛选，得到新的标注图像集合Sa；权重值M是由图像相似度决定的，取值范围为[0.1，1]；S5：将新的标注图像集合Sa加入已标注图像集合Su作为新的已标注图像集合Sb，用于训练初始分割网络；S6：循环执行步骤S2～S5，直到步骤S4中的权重值M达到预设值E，得到中间分割网络和中间分割图像，将循环得到的中间分割图像合成中间生成图像集合Sgenerate；预设值E为超参数，需要根据不同的CT图像特点选择，取值范围为[0.7，1]；S7：建立3D对抗网络，进行对抗训练，得到最终分割网络；S8：将给定任意一幅待识别医学CT图像放入步骤S7的最终分割网络中，得到最终的分割结果。优选地，所述步骤S1包括如下步骤：S11：对采集的医学CT图像样本进行标准化预处理；S12：将步骤S11预处理后的图像随机抽取一半图像由人工进行标注，另一半作为未标注图像，设为未标注图像集合Sunlabled；S13：将人工标注后的图像设为已标注图像集合Su，图像数量为K张，K为整数，K≥100；随机选取该集合中的一张图像为Ix。进一步优选地，所述步骤S11包括如下步骤：S111：根据输入的医学CT图像，按照经验值选取感兴趣区域的CT值范围，将CT值范围以外的像素值置零；S112：随机选取步骤S111处理后医学CT图像原图长度和宽度的(0，0.1]倍作为位移长度，进行平移变换；S113：对步骤S112平移变换后的医学CT图像进行旋转变换，在(0，10]度的范围内进行随机旋转；S114：对医学CT图像平移变换或旋转变换超出边界的部分使用像素值为0.1的像素点进行填充。优选地，所述步骤S2中的分割网络为3维的TernausNet，所述3维的TernausNet使用VGG-11作为编码器，由11个向前传播的网络层组成。进一步优选地，所述11个向前传播的网络层中，前8个为卷积层，每个卷积层采用了3*3*3的卷积核，每个卷积层后都紧跟一个ReLU激励函数层，第1、2、4、6、8个卷积层后都紧跟一个2*2*2的最大池化操作，每次操作后特征图尺寸减半；第一个卷积层通道数为64，第二层通道数为128，第三层第四层通道数为256，第五层到第八层通道数为512；将最后3层的全连接层替换为一个512通道的卷积层。优选地，所述步骤S4包括如下步骤：S41：计算Ix与Sm之间的相似度，Ix为已标注图像集合Su中随机选取的一张图像，定义：其中Ij为初始分割生成图像集合Sm中随机选取的一张图像，sim(·)指的是余弦相似度，设定相似度的取值范围为[0.1，1]；S42：将步骤S41得到的相似度设定为权重值M，定义M＝f(Sm,Ix)，权重值M的取值范围为[0.1，1]；S43：随机在集合Sm中选取K*M张图像作为新的标注图像集合Sa，其中K为已标注图像集合Su的图像数量，K为整数，K≥100，M为权重值；如果K*M的结果不是整数，则向下取整。优选地，所述步骤S7包括如下步骤：S71：建立3D对抗网络，将步骤S6的中间分割网络作为3D对抗网络的生成网络G；将步骤S2的分割网络中的VGG-11作为3D对抗网络的判别网络D；S72：将步骤S6的中间生成图像集合Sgenerate与步骤S1的已标注图像集合Su加入3D对抗网络的判别网络D中；S73：3D对抗网络进行对抗训练，直至3D对抗网络训练的网络损失函数收敛，得到最终分割网络。进一步优选地，所述判别网络D以步骤S2的分割网络中的VGG-11编码器为基础，后三层使用全连接层，最后通过连接分类器得到判别结果；进一步优选地，所述3D对抗网络的对抗训练是指：采用梯度下降算法分别更新生成网络G与判别网络D的参数。本专利技术还提出一种基于3D对抗网络的医学CT图像分割系统，包括：医学CT图像采集系统、3D对抗网络系统、医学CT图像处理系统；所述3D对抗网络系统包括生成网络G和判别网络D，所述3D对抗网络系统的生成网络G为分割网络，判别网络D为预训练过的VGG11；所述基于3D对抗网络的医学CT图像分本文档来自技高网...

【技术保护点】
1.一种基于3D对抗网络的医学CT图像分割方法，其特征在于，包括如下步骤：S1：采集医学CT图像样本，进行标准化预处理，建立未标注图像集合Sunlabled和已标注图像集合Su；S2：将已标注图像集合Su输入分割网络进行网络训练，生成初始分割网络；S3：将步骤S1的未标注图像集合Sunlabled输入步骤S2的初始分割网络，进行初始分割，得到初始分割生成图像集合Sm；S4：对步骤S3的初始分割生成图像集合Sm加入权重值M，进行随机筛选，得到新的标注图像集合Sa；权重值M是由图像相似度决定的，取值范围为[0.1，1]；S5：将新的标注图像集合Sa加入已标注图像集合Su作为新的已标注图像集合Sb，用于训练初始分割网络；S6：循环执行步骤S2～S5，直到步骤S4中的权重值M达到预设值E，得到中间分割网络和中间分割图像，将循环得到的中间分割图像合成中间生成图像集合Sgenerate；预设值E为超参数，需要根据不同的CT图像特点选择，取值范围为[0.7，1]；S7：建立3D对抗网络，进行对抗训练，得到最终分割网络；S8：将给定任意一幅待识别医学CT图像放入步骤S7的最终分割网络中，得到最终分割结果。...

【技术特征摘要】
1.一种基于3D对抗网络的医学CT图像分割方法，其特征在于，包括如下步骤：S1：采集医学CT图像样本，进行标准化预处理，建立未标注图像集合Sunlabled和已标注图像集合Su；S2：将已标注图像集合Su输入分割网络进行网络训练，生成初始分割网络；S3：将步骤S1的未标注图像集合Sunlabled输入步骤S2的初始分割网络，进行初始分割，得到初始分割生成图像集合Sm；S4：对步骤S3的初始分割生成图像集合Sm加入权重值M，进行随机筛选，得到新的标注图像集合Sa；权重值M是由图像相似度决定的，取值范围为[0.1，1]；S5：将新的标注图像集合Sa加入已标注图像集合Su作为新的已标注图像集合Sb，用于训练初始分割网络；S6：循环执行步骤S2～S5，直到步骤S4中的权重值M达到预设值E，得到中间分割网络和中间分割图像，将循环得到的中间分割图像合成中间生成图像集合Sgenerate；预设值E为超参数，需要根据不同的CT图像特点选择，取值范围为[0.7，1]；S7：建立3D对抗网络，进行对抗训练，得到最终分割网络；S8：将给定任意一幅待识别医学CT图像放入步骤S7的最终分割网络中，得到最终分割结果。2.如权利要求1所述的基于3D对抗网络的医学CT图像分割方法，其特征在于，所述步骤S1包括如下步骤：S11：对采集的医学CT图像样本进行标准化预处理；S12：将步骤S11预处理后的图像随机抽取一半图像由人工进行标注，另一半作为未标注图像，设为未标注图像集合Sunlabled；S13：将人工标注后的图像设为已标注图像集合Su，图像数量为K张，K为整数，K≥100；随机选取该集合中的一张图像为Ix。3.如权利要求2所述的基于3D对抗网络的医学CT图像分割方法，其特征在于，所述步骤S11包括如下步骤：S111：根据输入的医学CT图像，按照经验值选取感兴趣区域的CT值范围，将CT值范围以外的像素值置零；S112：随机选取步骤S111处理后医学CT图像原图长度和宽度的(0，0.1]倍作为位移长度，进行平移变换；S113：对步骤S112平移变换后的医学CT图像进行旋转变换，在(0，10]度的范围内进行随机旋转；S114：对医学CT图像平移变换或旋转变换超出边界的部分使用像素值为0.1的像素点进行填充。4.如权利要求1所述的基于3D对抗网络的医学CT图像分割方法，其特征在于，所述步骤S2中的分割网络为3维的TernausNet，所述3维的TernausNet使用VGG-11作为编码器，由11个向前传播的网络层组成。5.如权利要求4所述的基于3D对抗网络的医学CT图像分割方法，...

【专利技术属性】
技术研发人员：张颖，洪晓东，王好谦，
申请(专利权)人：深圳市未来媒体技术研究院，
类型：发明
国别省市：广东,44